70
석사 학위 논문 생체 전기 신호를 이용하는 자동의수와 제어 방법 개발 김승재( ) 金承載 기계공학과 시스템 및 설계 전공 ( ) 포항공과대학교 대학원 1995

생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

  • Upload
    others

  • View
    1

  • Download
    0

Embed Size (px)

Citation preview

Page 1: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

석사 학위 논문

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

김승재( )金承載

기계공학과 시스템 및 설계 전공( )

포항공과 학교 학원

1995

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

Development of Prosthetic Arm amp Its Control

By Bioelectric Signals

Development of Prosthetic Arm amp Its Control

By Bioelectric Signals

By

Seungjae Kim

Department of Mechanical Engineering

(System amp Design Program)

POHANG UNIVERSITY OF SCIENCE amp TECHNOLOGY

A thesis submitted to the faculty of Pohang University of Science amp

Technology in partial fulfillment of the requirement for the degree of

Master of Science in the Department of Mechanical

Engineering(System amp Design Program)

Pohang Korea

Dec 12 1994

Approved by

Major Advisor

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

김 승 재

위 논문은 학원 석사 학위논문으로 학위논문

심사위원회를 통과하였음을 인정합니다

년 월 일1994 12 12

학위논문심사 위원회 위원장 염 영 일 인( )

위원 최 화 순 인( )

위원 정 완 균 인( )

김승재MME Seungjae Kim Development of prosthetic arm amp its

생체 전기 신호를 이용하는 자9322M07 control by bioelectric signals

동의수와 제어 방법 개발 Department of Mechanical

Engineering 1995 61P Advisor Youngil Youm Text in

Korean

ABSTRACT

The number of the physically handicapped has increased due to

various accidents and diseases Thus numerous attempts have been

made to provide limb amputees with prosthetic device of which

myoelectric system have received widespread use as controls Although

the success of fitting myoelectric systems for single device (hand

wrist elbow) control is apparent the extension to the control of more

than one device has been difficult The lack of success can be

attributed primarily to the inadequacy of present multifunction control

strategies

The objective of this study is to develop better multifunction

myoelectric control strategies and a myoelectric arm with which a limb

amputee can do some jobs such as grasping materials lifting weights

holding cups and etc In order to achieve this goal the biomechanics

of human arm the signal processing of electromyograms the circuit

design for motor control and the methodology of myoelectric control

were studied

As a result of this study the battery-powered myoelectric arm

so called Biro_I was designed and manufactured The Biro_I artificial

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 2: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

Development of Prosthetic Arm amp Its Control

By Bioelectric Signals

Development of Prosthetic Arm amp Its Control

By Bioelectric Signals

By

Seungjae Kim

Department of Mechanical Engineering

(System amp Design Program)

POHANG UNIVERSITY OF SCIENCE amp TECHNOLOGY

A thesis submitted to the faculty of Pohang University of Science amp

Technology in partial fulfillment of the requirement for the degree of

Master of Science in the Department of Mechanical

Engineering(System amp Design Program)

Pohang Korea

Dec 12 1994

Approved by

Major Advisor

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

김 승 재

위 논문은 학원 석사 학위논문으로 학위논문

심사위원회를 통과하였음을 인정합니다

년 월 일1994 12 12

학위논문심사 위원회 위원장 염 영 일 인( )

위원 최 화 순 인( )

위원 정 완 균 인( )

김승재MME Seungjae Kim Development of prosthetic arm amp its

생체 전기 신호를 이용하는 자9322M07 control by bioelectric signals

동의수와 제어 방법 개발 Department of Mechanical

Engineering 1995 61P Advisor Youngil Youm Text in

Korean

ABSTRACT

The number of the physically handicapped has increased due to

various accidents and diseases Thus numerous attempts have been

made to provide limb amputees with prosthetic device of which

myoelectric system have received widespread use as controls Although

the success of fitting myoelectric systems for single device (hand

wrist elbow) control is apparent the extension to the control of more

than one device has been difficult The lack of success can be

attributed primarily to the inadequacy of present multifunction control

strategies

The objective of this study is to develop better multifunction

myoelectric control strategies and a myoelectric arm with which a limb

amputee can do some jobs such as grasping materials lifting weights

holding cups and etc In order to achieve this goal the biomechanics

of human arm the signal processing of electromyograms the circuit

design for motor control and the methodology of myoelectric control

were studied

As a result of this study the battery-powered myoelectric arm

so called Biro_I was designed and manufactured The Biro_I artificial

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 3: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

Development of Prosthetic Arm amp Its Control

By Bioelectric Signals

By

Seungjae Kim

Department of Mechanical Engineering

(System amp Design Program)

POHANG UNIVERSITY OF SCIENCE amp TECHNOLOGY

A thesis submitted to the faculty of Pohang University of Science amp

Technology in partial fulfillment of the requirement for the degree of

Master of Science in the Department of Mechanical

Engineering(System amp Design Program)

Pohang Korea

Dec 12 1994

Approved by

Major Advisor

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

김 승 재

위 논문은 학원 석사 학위논문으로 학위논문

심사위원회를 통과하였음을 인정합니다

년 월 일1994 12 12

학위논문심사 위원회 위원장 염 영 일 인( )

위원 최 화 순 인( )

위원 정 완 균 인( )

김승재MME Seungjae Kim Development of prosthetic arm amp its

생체 전기 신호를 이용하는 자9322M07 control by bioelectric signals

동의수와 제어 방법 개발 Department of Mechanical

Engineering 1995 61P Advisor Youngil Youm Text in

Korean

ABSTRACT

The number of the physically handicapped has increased due to

various accidents and diseases Thus numerous attempts have been

made to provide limb amputees with prosthetic device of which

myoelectric system have received widespread use as controls Although

the success of fitting myoelectric systems for single device (hand

wrist elbow) control is apparent the extension to the control of more

than one device has been difficult The lack of success can be

attributed primarily to the inadequacy of present multifunction control

strategies

The objective of this study is to develop better multifunction

myoelectric control strategies and a myoelectric arm with which a limb

amputee can do some jobs such as grasping materials lifting weights

holding cups and etc In order to achieve this goal the biomechanics

of human arm the signal processing of electromyograms the circuit

design for motor control and the methodology of myoelectric control

were studied

As a result of this study the battery-powered myoelectric arm

so called Biro_I was designed and manufactured The Biro_I artificial

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 4: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

생체 전기 신호를 이용하는

자동의수와 제어 방법 개발

김 승 재

위 논문은 학원 석사 학위논문으로 학위논문

심사위원회를 통과하였음을 인정합니다

년 월 일1994 12 12

학위논문심사 위원회 위원장 염 영 일 인( )

위원 최 화 순 인( )

위원 정 완 균 인( )

김승재MME Seungjae Kim Development of prosthetic arm amp its

생체 전기 신호를 이용하는 자9322M07 control by bioelectric signals

동의수와 제어 방법 개발 Department of Mechanical

Engineering 1995 61P Advisor Youngil Youm Text in

Korean

ABSTRACT

The number of the physically handicapped has increased due to

various accidents and diseases Thus numerous attempts have been

made to provide limb amputees with prosthetic device of which

myoelectric system have received widespread use as controls Although

the success of fitting myoelectric systems for single device (hand

wrist elbow) control is apparent the extension to the control of more

than one device has been difficult The lack of success can be

attributed primarily to the inadequacy of present multifunction control

strategies

The objective of this study is to develop better multifunction

myoelectric control strategies and a myoelectric arm with which a limb

amputee can do some jobs such as grasping materials lifting weights

holding cups and etc In order to achieve this goal the biomechanics

of human arm the signal processing of electromyograms the circuit

design for motor control and the methodology of myoelectric control

were studied

As a result of this study the battery-powered myoelectric arm

so called Biro_I was designed and manufactured The Biro_I artificial

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 5: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

김승재MME Seungjae Kim Development of prosthetic arm amp its

생체 전기 신호를 이용하는 자9322M07 control by bioelectric signals

동의수와 제어 방법 개발 Department of Mechanical

Engineering 1995 61P Advisor Youngil Youm Text in

Korean

ABSTRACT

The number of the physically handicapped has increased due to

various accidents and diseases Thus numerous attempts have been

made to provide limb amputees with prosthetic device of which

myoelectric system have received widespread use as controls Although

the success of fitting myoelectric systems for single device (hand

wrist elbow) control is apparent the extension to the control of more

than one device has been difficult The lack of success can be

attributed primarily to the inadequacy of present multifunction control

strategies

The objective of this study is to develop better multifunction

myoelectric control strategies and a myoelectric arm with which a limb

amputee can do some jobs such as grasping materials lifting weights

holding cups and etc In order to achieve this goal the biomechanics

of human arm the signal processing of electromyograms the circuit

design for motor control and the methodology of myoelectric control

were studied

As a result of this study the battery-powered myoelectric arm

so called Biro_I was designed and manufactured The Biro_I artificial

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 6: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

arm has 3 degree of freedom of motion such as finger gripping and

opening wrist rotation and elbow flexion and extension Because the

usefulness of prosthetic arm strongly depends on the easiness of

controlling and accuracy of the resulting motions the development of

control method was emphasized Therefore various myoelectric control

methods such as TSS(Two-Site with Selection) OSSI(One-Site

Sequent Input) and NNPC(Neural Network Pattern Classification) were

proposed and tested in this study In addition the precision hand

control algorithm which useful for gripping soft materials was

simulated to improve functions of Biro_I artificial arm

The functions of Biro_I prosthesis when adopting various

control methods were tested in simulated conditions That is the

controllability of Biro_I prosthesis were examined by attaching the

EMG sensors on the normal human subjects Test results showed that

each method had its own merits and disadvantages thus the choice of

control methods should be determined according to the users

conditions and requirements For example the precision hand control

algorithm will be useful for grasping soft materials the TSS control

method was good in easiness of its application and the OSSI control

method might be effective in reducing the number of EMG sensors

used for controlling The NNPC control method was superior in

convenience for controlling prostheses however hardware needed to

implement this NNPC control should be modified for practical

applications

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 7: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

차 례

서론Ⅰ 1

연구 동기11 1

문헌 조사12 2

자동의수에 관한 연구들12-1 2

근전도를 이용한 제어에 관한 연구들12-2 3

연구 목적13 6

이론적 배경14 7

근전도 신호14-1 (EMG) 7

신경회로망14-2 9

자동의수 설계 및 구성Ⅱ 1 2

설계21 12

설계의 중요한 인자들21-1 12

설계 목적21-2 14

구성22 14

근전도 센서22-1 (EMG) 14

구동부22-2 (Actuator Component) 16

작동부22-3 (Manipulator Component) 16

제어부22-4 (Controller) 20

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 8: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법Ⅲ 22

31 TSTS(Two-Site Two-State) Control 23

32 TSS(Two-Site with Selection) Control 24

33 OSSI(One-Site Sequence-Input) Control 26

제어의 개념33-1 OSSI 26

모의 실험33-2 27

34 NNPC(Neural-Network Pattern Classification) Control 29

연구 절차34-1 32

실험결과 및 고찰34-2 39

자동의수의 개선Ⅳ 43

손 부분의 개선41 (HAND) 44

결론 및 앞으로의 연구 방향Ⅴ 47

결론51 47

앞으로의 연구 방향52 48

부록 A 회로도 50

부록 자동의수의 전체적인 메커니즘B Biro_I 56

참고 문헌 57

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 9: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론

연구 동기11

산업이 발달함에 따라 선천적인 요인에 의한 장애인보다는 교통사고 및 산

업재해에 의한 장애인이 늘고 있다 그러나 국내에서는 장애인들의 일상 생활이

나 취업활동을 원활히 할 수 있도록 도와주는 각종 보조기구와 장치 및 부 시

설이 거의 개발되어 있지 못하다 따라서 장애인의 신체 기능 회복을 위한 재활

공학의 연구는 장애인의 복지향상뿐만 아니라 사회적으로 많은 인력을 사용할

수 있게 한다 그리고 이러한 재활공학의 연구 성과로 개발되어질 수 있는 재활

의학용품의 세계시장은 앞으로 더욱 활기를 띠게 될 것이므로 우리 나라의 고

유기술 확보는 매우 중요하다 이러한 취지 아래서 팔이 절단된 장애인이나 선

천적으로 팔이 없는 장애인들을 위한 보조기구로 인공 자동의수의 개발연구는

매우 필요한 일이다 최근 년동안 선진국 등지에서는 이러한 사람의 팔을 20

신할 수 있는 자동 의수 및 의족들이 꾸준히 개발되어 왔다 그래서 이미 상품

화가 되어 유용하게 쓰여지고 있는 것들도 있는 실정이지만 국내에 자동의수

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 10: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 2

개발을 위한 직접적인 연구는 수행된 바가 없을 뿐만 아니라 이 분야에 국한하

여 우리 나라와 선진국의 관련 연구활동을 비교해 볼 때 그 격차는 크다고 할

수 있다 이러한 기술의 차이를 줄이며 고유기술을 확보하고 그리고 궁극 적으로

는 장애인의 복지향상에 이바지하기 위해서 국내 최초로 자동의수의 개발연구를

시작하였다

문헌조사12

자동의수에 관한 연구12-1

세계 차 전이후 전쟁으로 인해 발생한 많은 장애인들을 위해서 인공2

자동의수 를 개발하고자 하는 많은 연구가 진행되어(Artificial Prosthetic Arm)

왔다 년에 가 기계장치 제어에 생물학적인 신호를 사용할 수 있 1961 Wiener[1]

다는 가능성을 제시한 것과 에 의해 근육 수축 시에 발생하는 미세한 Reiter[2]

전압신호인 근전도신호 를 이(Electromyographic Signal or Myoelectric Signal)

용하여 제어되는 핸드 가 개발된 이후 소수의 연구단체나 학교에서 지속(Hand)

적인 개발시도가 이루어져 왔다

외부 동력으로 동작하게 하는 인공 자동의수의 연구되어 온 상황을 간단히

살펴보면 다음과 같다 년 이후부터 팔 러시안 근전도 의수 1950 IBM (Arm)[3]

비나톤팔 보스톤(Russian EMG controlled hand)[4] (Viennatone hand)[5]

오토복핸드 휘데리티핸드(Boston) Elbow[6 7] (Otto Bock Hand)[8] (Fidelity

이탤리언팔 유타팔 스웨디시팔Hand)[9 10] (Italian Arm)[11] (Utah Arm)[12]

등 미국 일본 유럽 등 각지에서 이 밖에도 많은 자동의수(Swedish Arm) [13]

들이 개발되어져 왔다 이들 중 유타팔 과 오토복핸드 (Utah Arm) (Otto Bock

는 상품화까지 성공한 가장 진보된 자동의수로서 장애인의 어깨나 등에Hand)

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 11: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 3

부착된 여러 개의 전극 에서 측정된 근전도신호에 따라 의수의 각부관(Electrode)

절 이 움직임으로써 장애인이 스스로 간단한 동작을 할 수 있게 되어 있(Joint)

근전도 신호를 이용한 제어에 관한 연구12-2

전기적인 외부동력원으로 작동시키는 인공 자동의수를 제어하도록 명령

을 주는 효과적인 한 방법으로 신체의 근육 으로부터 나오는(Command) (Muscle)

근전도 신호 를 이용하고자 하는 시도는 많은 연구자들로부(Myoelectric Signal)

터 제안되었고 실제로 많이 이용되어져 왔다 근전도 신호를 처음 사용한 것으

로 알려진 것은 년 가 공장에서 일하는 사람들이 사용할1948 Reinhold Reiter

수 있게끔 만들어진 근전도 의수를 시험해 보았던 것으로 알려진다 그러나 이

초창기의 연구는 계속 활발하게 이어지지 못하다가 년쯤에 와서 다시 관심1969

을 갖고 연구에 활기를 띠게 되었다 이때부터 근전도 신호를 이용하는 인공 자

동의수나 의족을 개발하기 위해 독립적인 연구가 구소련 영국 스웨덴 일본 미

국 그리고 캐나다 등지에서 시작되었다 자유도 만을 가지며 손이나 손목 혹 1 (

은 팔꿈치 운동 근전도를 제어 신호로 이용하는 많은 자동의수들은 현재 상품)

화되어 실제로 사용되어 지고 있다 이러한 의수들은 근전도 신호의 진폭 크기

나 변화율을 이용하여 제어 신호를 얻어내고 있는데 보통 한 개의 근육군

이나 두개의 근육군을 이용하여 제어 신호를 얻는다 만일 한(Muscle Remnant)

개의 근육군만을 사용하여 제어 신호를 얻는다면 근전도 신호의 진폭의 크기로

기기의 작동상태를 결정하는 방식을 쓰고 있으며 두개의 근육군을 이용하는 방

식이라면 근육군에서 발생하는 두 근전도 신호 중에서 큰 진폭의 신호로 기기의

상태를 결정하게 하는 방식을 많이 사용하고 있다 일단 작동 상태가 선택되면

의수가 동작되는 속도를 일정하게 하거나 혹은 근육을 수축할 때 힘을 주는 정

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 12: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 4

도와 비례적으로 증감하는 근전도 신호의 진폭 크기에 따라 속도를 제어할 수

있도록 하기도 한다 자유도 만을 갖는 의수들을 제어하는 데에 이러한 방법 1

들이 성공적이긴 하지만 많은 제어 신호를 필요로 하는 그 이상의 자유도를 갖

는 의수나 많은 기능을 가지고 있는 의수를 제어하기에는 부적(Multifunctional)

합한 방법으로 여겨져 왔다 그 이유는 다자유도 다기능 의수를 구동시키기 위

해서는 많은 제어 신호가 필요한데 이러한 여러 제어 신호를 발생시키려면 결국

에는 많은 센서를 여러 근육군에 부착시켜야 할 것이다 그러나 실제로는 신호

원으로 사용할 근육군들의 선택에 제한이 있을 뿐만 아니라 의수를 제어하기 위

해서 여러 근육군들에 일일이 힘을 준다는 것은 매우 불편한 조작방법이기 때문

이다 그래서 신호를 발생시킬 근육군의 수는 줄이면서도 서로 다른 많은 제어

신호를 어떻게 만들어 낼 수 있겠느냐 하는 문제를 중심으로 다자유도 다기능

보조기구들을 위한 알맞은 근전도 제어 방법의 개발을 중점으로 연구가 활기를

띄게 되었다 사실상 하나의 근육군으로 자유도 이상을 제어할 수 있게 하는 1

연구는 근전도 신호를 이용한 보조기구의 역사만큼이나 오래되었다 는 Reiter

그가 제작한 핸드 를 폈다 쥐었다 하는 두 동작을 제어(Hand) (Opening) (Closing)

하기 위해 하나의 근육군을 사용하고자 하는 노력을 시도했는데 근육수축을 빠

르게 하느냐 천천히 하느냐를 감지하여 원하는 동작을 선택할 수 있게 하였다

일반적으로 현재까지 상용화되어 있는 자유도의 의수들은 굴근1 (Flexor)

과 신근 의 두 근육군을 알맞게 수축함으로 의수를 제어하는 방식을(Extensor)

많이 택하고 있다 그러나 자유도 만을 제어하는데 두 개의 근육군을 사용한 1

다는 것은 다자유도 의수를 제어하는 시점에서 본다면 근육군의 낭비라고 할

수 있다 그래서 와 는 한 근육군으로 자유도 정지상태를 Dorcas Scott [14] 1 (

포함한 세 가지의 상태 기기 를 제어할 수 있는 가 사용한 방법) (Device) Reiter

과 흡사한 방법을 제안했다 그러나 마이크로Three-State Single-Site Control

컴퓨터 의 등장으로 근전도 신호 자체에 한 정교한 실험과(Micro Computer)

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 13: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 5

의수의 정교한 제어를 가능하게 해 줌으로 인하여 새로운 근전도 제어 방법들이

발표되기 시작했다 외 다수 는 시계열 인식 과정 Graupe [15-18] (Time-Series

이란 방법을 제안하게 되었는데 이 방법은 근전도 신호Identification Procedure)

의 특징에 따라 이미 여러 종류로 나뉘어진 분류패턴 안으로 분류시키(Pattern)

는 것이다 그러나 이 방법은 의수를 자연스럽게 동작시키는데 필요한 제어신호

를 발생시키는 시간이 충분히 빠르지 못하다는 점이 있다 외 다수 Wirta [19]

는 근전도신호의 시적분값 의 공간상의 분포(Time Integrated Value) (Spatial

를 나타내는 패턴을 형성시키기 위해 많은 전극 을 사용Distribution) (Electrode)

하는 방법을 이용하기도 하였다 한편 근전도 신호의 통계적인 분석을 이용한

방법들이 과 에 의해 개발되어졌다 그들은 근전도 신호Newman Saridis [20]

의 분산 값과 영교차수 의 특징 공간 안에서 확정된 근(Variance) (Zero Crossing)

수축 자세의 형태를 분류해 놓고 받아들여진 근전도 신호가 어떠한 근수축 자

세에서 나온 것인지를 판별해 내었다 이 외에도 자동의수나 의족의 제어 기법

에 한 다른 많은 중요한 연구가 과 외 다수 에 의해Lyman Freedy [21 22]

그리고 외 다수 등에 의해 수행되었다 최근에Lawrence [23] Jacobsen [24 25]

는 외 다수 가 다자유도를 갖는 보조기구의 제어를 위한 새로Philip Parker [26]

운 방법을 제안하였는데 근육을 수축하는 초기에는 근수축 자세의 서로 다른

형태에 따라 서로 다른 형태의 신호 파형이 발생된다는 것을 발견하고 근육을

수축하는 초기에 나오는 파형 들을 신경회로망 을 이용한 패턴(Neural Network)

인식 절차를 통하여 파형의 특성에 따라 정해 놓은 알맞은(Pattern Identification)

제어 신호를 발생시키도록 하였다

비록 이전의 연구결과들은 보조기구들을 제어하는데 어느 정도의 이론적이

면서도 실용적인 성과를 가져왔지만 근전도 신호로부터 운동이나 속도에 관한

좀더 정확한 정보를 인식해 내는 것 그리고 좀더 빠르고 신뢰할 만한 근전도

신호의 인식 과정 의 개발 같은 것들이 장애인들이(Identification Procedures)

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 14: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 6

정상인처럼 최소의 노력으로 다양한 기능을 마음껏 수행하도록 하는 자동의수나

의족을 개발하고자 하는 궁극적인 목표를 달성하는 데에 앞으로 계속 요구되어

지는 것들이다

연구 목적13

만일 장애인들이 보조기구를 제어하는데 정상인들이 그들의 근육을 수축

이완시켜 움직이는 것과 비슷하게 근육을 이용하여 외부 기기를 제어할 수 있

게 한다면 좀더 자연스럽게 그리고 편리하게 사용할 수 있게 될 것이다 그러나

단순한 기능을 신하여 주는 보조기구의 시 에서 이제는 좀더 다양한 기능을

가능하게 해줄 수 있는 다자유도 자동의수 같은 것들을 필요로 하게 됨에 따라

근전도 신호 를 이용하여 좀 더 쉽게 그리고(Myoelectric signal or EMG signal)

자연스럽게 조작하고 제어할 수 있도록 하는 다자유도 다기능 보조기구에 알맞

은 새로운 근전도 제어 방법들이 필요하게 되었다

본 논문에서는 이러한 취지 아래 팔꿈치 위까지 절단된 장애인

을 상으로 하여 그들의 팔의 기능을 신하여 줄 수(Above-elbow amputee)

있는 프로토타입 의 자동의수의 개발과 함께 다자유도 다기능 의수의(Prototype)

제어에 알맞은 좀 더 편리한 여러 가지 근전도 제어 방법들을 연구하고 제시하

려는데 그 목적이 있다 그래서 크게 두 방향으로 연구를 진행해 왔다 그 첫 번

째 방향의 연구는 근전도 제어 방법들의 개발과 향상에 주안점을 두었으며 이

결과들에 해서는 장에서 언급할 것이다 그리고 두 번째 연구 방향은 실용Ⅲ

적인 측면에서 실제 제작한 자동의수를 더욱 개선시켜 좀 더 정상인과 가까운

기능을 신할 수 있는 자동의수를 만들어 나가는 데에 목적을 두었다 이 결과

들은 장에서 이야기될 것이다Ⅳ

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 15: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 7

이론적 배경14

근전도 신호14-1 (Electromyogram)

모든 살아 있는 세포는 막 으로 둘러싸여 있다 이러한 막들 사(Membrane)

이로 이온들 이 전달되어질 수 있기 때문에 막으로 둘러싸여진 세포들 사(Ions)

이에는 전위 가 존재하게 된다 보통 근섬유 는(Potential) (Muscle fiber) 70 - 90

의 크기의 전위를 가지며 막의 바깥쪽이 양전위가 된다 한 세포의 소극작용mV

이 막들 사이로 이온들이 침투하는 양상들을 변화시키면서 전위(Depolarization)

의 움직임 을 일으키게 한다 일단 이러한 전위의 움직임이 신(Action potential)

경뉴런 에서 발생되면 세포의 축색 을 따라 전파되어지며(Nerve neuron) (Axon)

화학적인 전달작용으로 인해 어떠한 전기적인 충격 이 근섬유에 전해지(Impulse)

게 된다 근섬유막 이 소극 되면 소극작용은 섬유의 양 (Muscle fiber membrane)

방향을 따라 전파되어 수축의 파형 을 야기한다 이러한 근(Wave of contraction)

섬유막의 소극작용은 작은 전기적인 전위를 나타내게 된다 그러나 모든 근섬유

가 소극 되거나 동시에 근육의 긴장 상태로 되어지는 것은 아니기 때문(Tension)

에 여러 근섬유의 전위 움직임의 중첩을 통해 복잡한 양상의 전위형태가 나타나

게 되고 전극 을 이렇게 활성화된 근섬유의 속으로 또는 피부에 부착 (Electrode)

시킴으로 해서 전위를 감지해 낼 수가 있다 이렇게 해서 측정된 신호를 근전도

신호라 부르며 짧게 신호라고 한다 각각의 근육은 많(Eletromyogram) EMG

은 수의 모터유니트 를 가지고 있는데 근육에 가하는 긴장상태를 증(Motor unit)

가시키게 되면 주어진 모터유니트에 자극율을 증가시키거나 다른 모터유니트들

을 합하게 되는 결과를 가져오게 된다 그렇기 때문에 전극을 통해서 얻어진

전압은 보통 여러 모터유니트 전위의 합이라 할 수 있다EMG

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 16: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 8

표 11 Common Factors Ratio of Myoelectric Activity

to Muscle Force Levels

Measurement Factors General Effect of Ratio(EMGLoad)

Large electrode

Close electrode proximity to muscle

High electrode impedance

Surface electrode(vs indwelling)

Bipolar electrode(vs monopolar)

Bipolar electrode spacing increase

Increase

Increase

Decrease

Varied

Varied

Varied

Physiological Factors

Prolonged contraction(fatigue)

High muscle temperature

Specific muscle tested

Highly strength-trained muscle

Muscle length

High speed of shortening

Increase

Decrease

Varied

Decrease

Varied

Increase

서로 다른 여러 전극들의 특성 때문에 전극을 통해 얻어진 신호 또한 서로

많이 다르다 피부전극은 전극이 부착된 자리가 감지할 수 있는 모터유니트의

모든 전위의 합을 감지하는 것이고 일반적으로 많은 근신호 작업에서는 이러한

전극이 사용되어지고 있다 그러나 근육 개개의 자세한 분석을 위해서는 근육

내에 삽입할 수 있는 전극이 필요하다 처음 이러한 근전도 신호의 획득의 주된

이유는 근육의 긴장 정도를 예측하기 위해서였다 와 근육이 낼(Tension) EMG

수 있는 힘과의 관계는 표 에 나오는 것처럼 여러 가지 요인들에 의존하게11

된다 일반적으로 근육의 긴장상태가 증가될수록 그것과 평행하게 근전도신호의

전압 값도 증가한다는 의미에서는 비교적 단조로운 형태를 나타낸다고 말할 수

있지만 일반적인 조건아래에서는 비선형적인 관계를 가지고 있다

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 17: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 9

신경회로망14-2 (Neural Network)

신경회로망에 관한 연구는 인간의 두뇌와 신경세포 모델에 한 연구에서

시작되었다 신경 시스템 에서 가장 기본적인 단위는 뉴런 신경 (System) (Neuron

세포 이라는 세포이다 뇌를 생리학적으로 알아보면 뉴런 이라고 불리는) (Neuron)

작은 세포가 그물처럼 연결되어 망을 이루고 있음을 알 수가 있다 각개의 뉴런

은 다른 많은 뉴런으로부터 신호를 받아들이고 그것을 종합하여 흥분(Neuron)

여부를 결정하게 되는데 이 흥분상태에 따라서 뉴런 은 전기적인 펄스(Neuron)

를 내보내고 그것을 다른 뉴런 에 신호로써 전달한다 뉴런(Pulse) (Neuron)

간의 상호작용에 의해서 흥분상태가 변화해 가는 동적인 상태가 바로(Neuron)

인간의 사고과정이며 정보처리 과정이다 컴퓨터 의 정보처리가 직렬 (Computer)

의 정보처리라 한다면 뇌에서의 정보처리는 뉴런 간의 병렬의 정보처리 (Neuron)

라 할 수 있다 이러한 병렬처리의 기본원리를 밝히기 위해 신경회로망이란 수

리모델을 만들었지만 이것은 실제 뇌에 비하면 확실히 단순하고 일면적이다

신경회로망 모델의 시초는 년 부터 나오기 시작하다가 는1940 Rosenblatt

년 퍼셉트론 이란 최초의 신경회로망 모델을 발표하였다 이 퍼1957 (Perceptron)

셉트론에 한 주된 관심의 이유는 어떠한 형태의 패턴 이나 입력의 정(Pattern)

보가 입력층에 주어졌을 때 그 안에서 수식화된 뉴런 들이 서로 반응하 (Neuron)

게 하는 연결강도 를 스스로 발견해 나가는 자동적인 절차에 있다 그후(Weight)

이 퍼셉트론 모델의 단점이 밝혀지면서 년 초반에 이르러 퍼셉(Perceptron) 1980

트론 과 같이 하나의 조정층 으로 구성된 모(Perceptron) (Single-adjustable layer)

델들의 한계성 때문에 입력층 출력층 그리고 여러 개의 은닉층 을 (Hidden layer)

사용하는 다층 퍼셉트론 이란 새로운 모델이 제안되었으(Multilayer perceptron)

며 역전파 학습 방법을 사용함으로 선형적인 분리문제 뿐만 아 (Backpropagation)

니라 여러 가지 비선형적인 문제들도 해결할 수 있는 계기를 마련했다 역전파

학습 방법은 원하는 출력과 회로망내에서 계산되어져 나온 결과들과의 오차를

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 18: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 10

줄여 나가는 규칙인데 이 과정은 회로망의 노드 들간의 연결강도를 반복 (Node)

적으로 조정하여 실제 신경망에서 계산되어진 출력 값들과 원하는 출력 값간의

차이를 줄여 나가는 것이다 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이

상의 중간층이 존재하는 신경망으로 그림 에 나타낸 것과 같은 구조를 갖11

는다 이때 입력층과 출력층사이의 중간층을 은닉층이라 하며 일반적인 다층 퍼

셉트론의 학습방법은 다음과 같다 입력층에서 각 노드에 입력값들을 넣으면 이

값들은 각 노드에서 변환되어진 다음 연결강도의 값이 곱해져서 은닉층으로

그림 신경회로망의 구조11

전달되고 이것은 다시 은닉층의 노드에서 변화되어 다시 어떠한 연결강도 값과

곱해져서 최종적으로 출력층에 전달되어진다 이것은 출력층의 노드에서 변환되

어져서 최종 출력 값으로 나오게 되어지는 것인데 계산되어진 출력 값과 원하

여지는 출력 값을 비교하여 그 차이를 감소시키는 방향으로 각 층의 노드들 사

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 19: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

서론Ⅰ 11

이의 연결강도를 조정해 나가는 것이다 이 과정을 학습과정이라고 말하는 것이

다 신경회로망 모델 의 학습과정은 항상 입력값들과 원하는 출력 값이 (Model)

이미 정해져 있는 훈련세트 를 통하여 학습되어지며 분류(Training set)

작업을 수행하는데 두드러진 특징을 나타냄으로 해서 패턴인식(Classification)

을 필요로 하는 응용분야에서 많이 연구되어지고 또한 쓰(Pattern identification)

이고 있다

이러한 특징을 이용하여 비선형적이고 랜덤 한 신호원인 근전도(Random)

신호를 가지고 그 신호로부터 어떠한 특징적인 정보를 추출해 내고 특징에 따라

근전도 신호를 분류함으로 해서 각개에 알맞은 제어 신호를 만들어 내기 위하여

이 신경회로망을 이용해 보고자 하는 것이다

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 20: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수 설계 및 구성

설계21

설계의 중요한 인자들21-1

자동의수를 포함한 모든 인공적인 외부동력의 보철기구들(Prosthetic

은 일반의 공장이나 산업현장에서 쓰여지는 로보트와는 다른 개념을 가devices)

진다 사람의 신체에 접촉하여 기능을 신하여 주는 것이기 때문에 설계할 때

에 고려해야 할 다음과 같은 것들이 있다

유용성1) (Availability)

일상생활에서 장시간 사용할 수 있도록 일을 수행할 수 있는 성능이나 안전

성에 한 신뢰를 줄 수 있어야 한다 그리고 오동작이 일어날 경우 보수 및 수

리가 용이하도록 해야 하며 우연이 일어날 수 있는 충격에 해서도 견딜 수 있

도록 튼튼한 메커니즘 을 필요로 한다 보통의 자동의수는 전원으로(Mechanism)

축전지를 사용하게 되므로 얼마나 빠른 충전을 할 수 있는지 와 한번의 충전으

로 얼마만큼의 시간동안 작동시킬 수 있는지도 중요하게 생각되어져야 한다

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 21: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 13

장착시의 편안함2) (Comfort and Feel)

장애인들이 자동의수를 소켓 이나 또는 다른 장치를 이용하여 절단(Socket)

부위에 고정시켜 사용하게 되는데 이때에 의수가 너무 무겁다든지 고정부가 신

체에 압박을 가해 불편함을 야기한다면 자동의수의 설계를 다시 재고해야 한다

자동의수를 사용함으로 해서 하지 못하던 일들을 수행하게 되는 것도 중요하지

만 그것이 도리어 불편함을 야기한다면 사용하는 의미를 잃게 되기 때문이다

그러므로 자동의수의 전체적인 무게와 실제 사용할 때에 고정시키는 부위의 설

계 등을 충분히 고려해야 한다

성능3) (Performance)

장애인의 특수한 상태 즉 절단부위나 절단정도 그리고 근육의 상태 등에

따라 그 장애인의 요구에 맞도록 제작되어야 하고 자연스러우면서도 원활한 제

어 방법이 채택되어야 할 것이다 또한 정확하고 안정성 있는 작동을 제공하여

야 한다 정상인들이 그들의 팔이나 다리의 감각을 통해 피드백 정보 (Feed back)

를 받아 더욱 완벽한 일을 수행하는 데에 비해 자동의수 사용자는 이러한 감각

의 피드백 신호를 제공받기는 어렵다 그렇기 때문에 자동의수를 가(Feed back)

지고 좀 더 섬세한 기능을 요구하는 일을 수행하기 위해서는 제한적이긴 하지

만 사용자에게 무언가 정보를 줄 수 있는 피드백 신호가 있어야 할 (Feed back)

것이다

외관4) (Appearance)

자동의수 외관은 그것을 사용하는 장애인들이나 다른 사람들에게도 아주

중요하다 최 한 그것의 크기와 색깔 그리고 형태 등이 정상인의 팔과 흡사한

모양을 가지도록 만들어져야 한다 만일 의수를 구동시키는데 소음이 심하다든

지 모양이 주위의 사람들에게 이목을 끌기에 충분하다면 그것을 사용하려고 하

지 않기 때문이다

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 22: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 14

설계 목적21-2

앞에서 언급한 여러 가지의 설계인자들을 고려하여 팔꿈치 위까지 절단된

장애인 을 상으로 바이로 원 이라고 이름 붙여(Above-elbow amputee) (Biro_I)

진 자유도를 갖는 프로토타입 의 자동의수를 다음과 같은 목적으로3 (Prototype)

설계 제작하였다 첫째는 제작된 자동의수를 가지고 실제로 사용할 때 나타나는

문제점들을 분석하여 개선된 자동의수 설계의 지침을 마련하기 위함과 둘째는

제안된 여러 가지 근전도 제어 방법들을 구현시켜 의수에 실험해 보기 위해서이

구성22

그림 과같이 손가락의 쥐었다 폈다 하는 집기 운동과 팔의21 supination

외전 과 내전 의 동작을 신하는 손목의 회전운동 그리고 팔꿈치( ) pronation( )

의 관절운동 이렇게 자유도를 갖는 자동의수는Flexion - Extension 3 Biro_I

다음과 같은 다섯 부분으로 구성되어 있다 전원부에 해서는 특별히 연구한

것은 없고 단지 시중에서 쉽게 구할 수 있는 니켈 카드늄 축전지를 사용하였다-

근전도 센서1) (EMG Sensor)

구동부2) (Actuator component)

작동부3) (Manipulator component)

제어부4) (Controller)

전원부5) (Power component)

근전도 센서22-1 (EMG sensor)

근전도 신호를 감지해 내기 위한 여러 가지 종류의 센서들이 있지만 일반

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 23: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 15

그림 자동의수의 기본 가능 동작21 Biro_I

적으로 보철기기들을 제어하기 위해 근전도 신호가 필요한 경우에는 피부에 전

극을 부착시켜 감지하는 피부형 타입 전극을 많이 사용하고 있다(Surface type)

이 피부형 전극이 사용하기가 용이하고 신체에도 무리를 주지 않기 때문이다

그림 에 이극성 감지형 센서의 간단한 구성을 나타22 (Bipolar detection type)

내는데 기준 전극에 해 나머지 두 전극에서 감지되는 전위차를 차동 증폭시

키는 방식이다 본 논문의 연구를 진행하며 약 개월간 직접 근전도 센서를 제 6

작해 보았으나 현재까지는 성능 면에서 외제품에 뒤지는 이유로 자동의 Biro_I

수에 사용되어진 근전도 센서로는 오토복 사의 오토복 근전도 센서(Otto bock)

를 사용하였다(Otto bock EMG sensor)

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 24: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 16

그림 이극성 감지형의 근전도 센서 구성도22

구동부22-2 (Actuator Component)

구동부의 모터 를 선정할 때 중요하게 생각한 점은 다음과 같았다(Motor)

자동의수는 건전지로 동력을 발생시키기 때문에 무엇보다도 전원소비율이 낮은

특성을 가지는 소형모터를 선정해야만 했다 그러나 설계시 선정한 부하를 충분

히 소화할 수 있는 모터 토크 를 갖게 하기 위해서는 서로간에 제약이(Torque)

있었다 자동의수를 제작하는데 있어서 선정한 모터는 직류 서보 Biro_I (DC

모터와 직류 모터들 중에서 모터의 최 토크와 회전수 그리고 크기를servo) (DC)

고려하여 표 에 나타난 바와 같은 사양을 갖는 모터들로 선정하였다21

작동부22-3 (Manipulator component)

프로토타입 자동의수의 전체적인 모습은 그림 과 같Biro_I (Prototype) 23

다 이것은 그림 에 보여지는 바와 같이 손 부분과 팔부분을 분리할 24 (Hand)

수도 있도록 제작하였다 이렇게 모듈 화하여 제작한 이유는 사용자가 (Module)

단순한 집기동작을 할 수 있는 손 작업 외에 다른 작업이 필요할 경우 그 일에

맞는 특수한 기기를 팔 끝에 부착하여 기존의 손의 기능을 신하므로 작업의

효율을 얻게 할 수 있도록 하기 위해서이다 그리고 또한 팔꿈치 아래로 절단된

장애인들 은 단지 손의 기능만을 신하는 자동의수가(Below-elbow amputees)

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 25: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 17

필요하므로 이럴 때에는 모듈화되어 있는 기기 중에 필요한 부분만을 보완하여

사용할 수 있게 하기 위함이다 실제로 팔꿈치 위까지 절단된 장애인이 자동의

수를 통해 좀더 원활한 동작을 수행하고자 하려면 어깨 회전Humeral rotation( )

동작1)도 필요한 것이 사실이지만 자동의수는 이를 수행할 수 있는 기능Biro_I

은 없다

표 자동의수에 사용된 모터 사양21 Biro_I

TYPE DC DC DC servo

BRAND Otto bock TaiwanHarmonic

drive

FUNCTION

Finger

flexion

extension

Wrist

rotation

Elbow

flexion

extensionREGULAR

ACTUVOLT6 V 6 V 12 V

REGULAR

ANGVELOCITY660 rpm 60 rpm 55 rpm

REGULAR

TORQUE0104 Kgcm 14 Kgcm 3 Kgcm

UNIT

REDUCTION

GEAR

No Yes Yes

1) 장의 그림 참조35Ⅲ

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 26: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 18

그림 자동의수의 전체적인 모습23 Biro_I

그림 자동의수의 손과 팔이 분리된 모습24 Biro_I

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 27: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 19

자동의수의 모터축과 각 관절축에 들어가는 기어 는 손목회전Biro_I (Gear)

을 구동하는 데에 쓰이는 스퍼기어 외에는 전부 워엄기어(Spur gear) (Worm

를 사용하였다 만일 무거운 물체를 쥐고 있거나 들고 있을 필요가 있을gear)

때 단지 모터의 힘으로만 물체를 지탱하려 한다면 전원의 소비가 클 뿐만 아니

라 모터토크에 따라 지탱할 수 있는 물체의 무게가 한정이 된다 그러나 워엄과

워엄기어는 회전하지 않을 때에는 기계적인 자동체결 효과를 주기(Self locking)

때문에 이 효과를 이용하면 전원의 쓸데없는 소비를 없애고 들고 있을 수 있는

물체의 무게의 범위도 증가시킬 수 있다

손의 메커니즘1) (Mechanism)

자동의수의 손은 엄지손가락과 일체형으로 되어 있는 검지와 중지Biro_I

만으로 이루어진 세 손가락구조로 되어 있으며 손가락 구동을 위한 모터와DC

감속기어들로 구성되어 있다 검지 중지손가락과 엄지손가락은 그림 처럼 25

하나의 링크 로 연결되어 그립 운동만을 수행할 수 있는 링크 메커(Link) (Grip) 4-

니즘으로 만들어졌다 그리고 어떠한 물건을 더 안정하게 집고 있을 수 있도록

코일 스프링 을 그림 에서 보여지는 것과 같이 엄지손가락의 관(Coil spring) 26

절축에 장착시켰다

그림 자동의수의 손가락 링크 구조25 Biro_I (Link)

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 28: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 설계 및 구성Ⅱ 20

그림 엄지손가락에 장착된 코일 스프링의 위치26

나머지 부분의 메커니즘2) (Mechanism)

두 알루미늄합금 판으로 뼈 를 이루고 손목 회전과 팔꿈치 운동을(Al7075)

위한 두 개의 모터와 기어들로 구성되어 있다 여기에 쓰인 기어들은 모듈

이 와 인 소형 정밀 기어들로 구성되어 있으며 팔꿈치 운동을(Module) 04 08

위한 기어 감속비는 로 약 의 물체까지 들어올릴 수 있도록 하였130 25 Kg

다 손목 회전 행정은 약 290 이며 팔꿈치 운동 행정은 약 135 이다

제어부22-4 (Controller)

자동의수의 전체적인 간단한 블록도 는 그림 와Biro_I (Block diagram) 27

같다 기본적으로 굴근 과 신근 의 근육군의 수축으로 인하여 (Flexor) (Extensor)

발생된 근전도 신호는 근전도 센서를 통하여 감지되고 증폭되어 에 입Controller

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 29: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

력으로 들어가면 에서는 알맞은 제어의 신호원을 출력함으로 해서 동Controller

작을 결정하고 수행하게 된다

그림 자동의수의 전체적인 동작 블록도27 Biro_I

여기서는 모터의 방향을 결정하고 회전하게 하기 위해 직류 와 스텝핑(DC)

모터전용칩 인 을 사용하였다 을 사용한 모터 구동(Stepping) (Chip) L298 L298

회로는 부록 에 나와 있다 제어부의 하드웨어 구성에 관한 내용A1 (Hardware)

과 여러 제어 방법들에 관한 내용은 장에서 이야기될 것이다Ⅲ

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 30: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 22

여러 가지 근전도 제어

방법과 실험

자동의수가 처음 등장했을 때에는 그것의 성능이나 수행능력들은 매우 제

한되어 있었다 기계적인 메커니즘 이나 전자적인 기술수준이 현재 (Mechanism)

와는 다른 상황이었기 때문에 나타난 기술적인 문제점도 있었을 수 있겠지만

부분의 문제점은 근육의 신호를 이용하여 제어를 해야 한다는 제약 때문이었

다 보통 일반 산업 현장에서 쓰이는 제어기기들처럼 제어 신호를 임의 로 발

생시킬 수 있고 피드백 신호의 정보를 받아서 제어를 한다면 좋은 (Feed back)

성능을 기 할 수 있겠지만 자동의수는 근육에서 발생한 근전도 신호를 이용하

여 단순한 제어를 하는 정도이므로 정밀한 제어가 어렵고 또한 많은 제On-Off

어 신호를 발생시키기도 어렵다 지금까지 의수 조작에 편리성을 제공하기 위해

서 여러 가지 다른 제어 방식들이 제안되었으나 실용적이면서도 획기적이라고

할 만한 제어 방법들은 개발되어 있지 못한 실정이다 자동의수를 위한 좋은 제

어라 함은 조작의 편리성과 근육을 이용하여 제어할 때 의수의 최 의 성능을

발휘할 수 있는가에 있다 다양한 기능을 수행할 수 있는 자동의수라 할지라도

그것을 작동시키기 위해 많은 주의와 노력으로 피로함을 느끼게 된다면 유용한

것이 될 수 없는 것이다 그리고 자동의수를 사용하여 어떠한 작업까지의 수행

이 가능할 것인가 그리고 얼마만큼의 정밀한 작업을 수행할 수 있는가 하는 것

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 31: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 23

은 매우 중요하다고 하겠다 이러한 것들을 감안하여 적용 가능한 여러 가지 근

전도 제어 방법들을 제안하고 구현해 보았다 일반적으로 피부에 부착된 전극을

통하여 얻어지는 전형적인 근전도 신호의 파형은 그림 위에 있는 신호와 같31

은 모양을 갖는다 그러나 이렇게 랜덤 하게 진동하는 신호원을 가지고 (Random)

직접 제어 신호로 사용하기는 곤란하므로 보통 적당한 신호 변환 회로를 거치

게 하여2) 그림 밑의 신호와 같은 파형으로 변환된 신호를 제어 신호원으로31

사용 한다

그림 근전도 신호 파형31 (EMG)

31 TSTS Control

제어방법은 단순한 방식의 제어 방TSTS(Two-Site Two-State) On-Off

법을 말하는 것으로 프로토타입 자동의수에 처음으로 적용하 Biro_I (Prototype)

여 동작시켜 보았던 방법이다 이 방법은 근육의 수축 시에 피부를 통해 감지된

근전도 신호의 레벨 이 임의로 설정한 설정 전압을 넘으면(Level) (Threshold)

2) 근전도 센서의 역할이다

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 32: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 24

에서 출력이 나오게 되어 동작하도록 하는 단순하면서도 가장 실용Controller

적인 제어 방법이다 그리고 사실상 사용자가 제어하기에는 가장 자연스러운 방

법이라 할 수 있다 굴근 을 수축하여 팔을 굽히거나 신근 (Flexor) (Flexion)

을 수축하여 팔을 펴는 정상인의 동작처럼 자동의수를(Extensor) (Extension)

하도록 하는데 장애인 자신의 굴근과 신근을 사용한다면Flexion - Extension

그 제어의 개념이 같을 수 있기 때문이다

자동의수는 정지동작을 뺀 개의 동작을 할 수 있는 자유도의Biro_I 6 3

의수이다 그렇기 때문에 각 동작을 수행하기 위해서 개의 제어 신호가 필요 6

하다 따라서 근전도 센서 개를 사용하여 제어 회로 부록 를 설계하 6 TSTS ( A2)

고 제작해 보았다 쌍의 굴근 신근의 근육부위를 선정하여 센서를 부착하고 3 -

원하는 동작을 위해 그에 상응하는 근육을 수축하므로 의수를 동작시켜 보았다

그런데 신체에 있는 근육들을 서로 완전히 개별적으로 수축시킬 수는 없

다 근육들이 서로 완전히 독립적으로 작용하지 않기 때문이다 굴근과 신근도

마찬가지이므로 한 굴근에 힘을 주어 신호를 내 보내려 하면 그에 상응하는 신

근도 약하게 수축되어 원하지 않는 신호가 나오는 경우가 있었다 이것은 오동

작을 유발시키기 때문에 이같이 원치 않는 신호를 방지하기 위해서 RS

으로 구성한 간섭 방지 회로를 제어 회로에 첨가하여 처음으로 근육Flip-Flop

에서 감지된 신호가 다른 신호에 간섭받지 않게 제작하였다

32 TSS Control

앞 절에서 언급한 제어 방식은 제어 방법이 자연스럽고 제작하기가TSTS

쉬운 장점 때문에 단순한 동작만을 수행하는 비교적 간단한 의수에는 실제적으

로 많이 사용되어져 왔고 적합한 방법이라 하겠다 그러나 여러 기능을 요구하

는 다자유도 다기능 자동의수를 제어하기에는 곤란하다 기능에 따라 많아지는

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 33: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 25

제어 신호를 발생시키기 위해서 센서의 수가 많아지고 그만큼 신호에 응하는

많은 근육군들에 일일이 힘을 가해야 하는 피곤한 작업이 요구되어지기 때문이

다 따라서 센서의 수를 줄이면서도 여러 제어 신호를 줄 수 있는 방법으로 3

개의 근전도 센서만을 사용하여 모든 동작을 수행할 수 있는 TSS(Two-Site

제어 방법을 고안하였다 이것을 실현한 제어 회로도는 부록with Selection)

에 나와 있다A3

이 제어 방법은 제어 개념에 있어서 제어 방법과 크게 다른TSS TSTS

점은 없다 단지 개의 근전도 센서를 이용하여 작동하고자 하는 부분을 선택하 1

고 나서 나머지 개의 센서로 원하는 방향으로 동작시키는 것이다 작동시킬2

부분을 선택하기 위해서는 선택용 센서가 부착된 근육군에 힘을 가함으로 만들

어진 펄스 신호가 에 들어가게 되고 이 펄스 신호로 인해 선(Pulse) Controller

택부위를 순차적으로 결정할 수 있게 했다 에 펄스 신호가 입력될 Controller

때마다 자동의수를 동작시킬 수 있는 선택 부위는 손 손목 팔꿈치 정지- - -

상태 이런 식으로 계속 순환하도록 만들었다

자동의수를 동작시키기 위해 개의 센서와 센서가 부착된 개의Biro_I 6 6

근육군을 일일이 수축시켜야 하는 방식과 비교해 볼 때 개의 센서만을TSTS 3

이용하여 즉 세 근육군만을 이용하여 모든 동작을 수행할 수 있다는 점은 사용( )

자에게 있어서 편리해졌다고 할 수 있다 그러나 제어 방법으로는 자동의 TSS

수의 동작 손의 집기운동 손목 회전운동 팔꿈치 관절운동 을 동시에 수행시킬( )

수 없다는 점과 사용자 자신이 선택한 선택 동작 부위가 어느 부위인지 확인해

보아야 할 필요가 생긴다는 것이 문제점으로 생각된다

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 34: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 26

33 OSSI Control

제어의 개념33-1 OSSI

제어 방법은 근육에 힘을 가할 때 발생되OSSI(One-Site Sequent-Input)

는 전압원인 근전도 신호를 시간에 따라 연속적으로 이용하는 것이다 그림 32

에 이 방법의 원리가 나타나 있다 근전도 신호의 전압 수준 이 그림에서 (Level)

와 같이 정해 놓은 설정전압 보다 작으면 로부터 어떠한 출력도T1 Controller

없으므로 아무 동작도 행해지지 않는다 그리고 근전도 신호의 전압 수준이 T1

과 사이에 있을 때를 신호상태 이라 하고 보다 높을 때는 신호상태T2 [0] T2

그림 제어 방법의 원리32 OSSI

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 35: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 27

이라고 한다면 이제 근육에 힘을 가함으로 근전도 신호의 전압 수준이[1] T1

을 넘게 되면 이것을 시작으로 일정한 시간간격 으로 세 번의 펄스 가( t) (Pulse)Δ

발생하게 된다 한번 펄스가 발생될 때마다 펄스가 발생(3-Pulse OSSI Control)

되기 바로 전의 동안의 신호상태가 이었는지 이었는지를 기억하게 된t [0] [1]Δ

다 이렇게 되면 세 번의 펄스 후 비트 로 이루어진 신호원을 갖게 된다 3 (bit)

그림 의 에서는 의 신호원을 갖게 되는 예를 나타낸 것이32 Process 1 [0 1 0]

다 그러므로 결국 비트의 조합으로 인해 개의 서로 다른 제어 신호를 단 3 8

하나의 센서를 통하여 만들어 낼 수가 있게 되는 것이다 이것이 제어 방 OSSI

법의 큰 장점이라 할 수 있다 그러나 제어 방식을 사용하게 되면 의수를 OSSI

동작시키기 위해서는 의 시간지연이 필연적으로 생긴다는 것이 문제점으로3 tΔ

생각되어 지는데 이를 조금이라도 극복하기 위해서 그림 의 와 32 Process 2

같은 조금 다른 방식을 제안해 보았다 이것은 첫 비트 신호원의 신호상태를 판

별하는데 있어서 근전도 신호의 기울기를 이용하는 것이다 첫 번째 펄스가 발

생하기전의 Δd 동안 근전도 신호의 기울기 가sT2-T1Δd

보다 작게 되면 신호

상태를 으로[0] T2-T1Δd

보다 크게 되면 로 정한다 이렇게 하고 나서[1] dΔ

를 보다 줄인다면 시간지연은 적어도 의 보다는 적어질 수 있t Process 1 3 tΔ Δ

을 것이다 굳이 첫 비트의 신호원만을 이러한 기울기를 이용하여 판별해 내는

이유는 를 줄이는 것보다는tΔ Δd 를 줄이는 것이 사용자가 조작하는데 있어

서 더 쉬울 것이라고 생각되어지기 때문이다

모의실험33-2

그림 의 의 방법의 실현을 목적으로 제어 회로 부록 를32 Process 1 ( A4)

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 36: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 28

설계하고 제작해 보았다 구현한 제어 회로를 직접 자동의수에 장착하여 Biro_I

제어해 보지는 않았다 실험적으로 센서 하나만을 팔뚝 에 위치한 굴근 (Forearm)

의 중심부에 부착하고 나서 신호원의 상태가 일 때를 제외한 나머지[0 0 0] 7

가지의 제어 신호를 종류별 로 잘 발생시킬 수 있는가를 검사해 보았다 신호

원의 상태가 일 때를 제외한 이유는 제어 회로 안에서 사용자가 동작을[0 0 0]

전혀 시키지 않는 상태 근육에 힘을 주고 있지 않은 상태 와 신호원의 상태가( )

일 때와는 같은 것으로 처리하기 때문이다[0 0 0]

예상했던 로 이 방법은 이것을 사용하여 익숙하게 제어하기 위하여서는

사용자의 연습이 필요하다고 생각된다 그리고 처음에는 간격이 어느 정도의 tΔ

느낌인지를 사용자에게 잘 알게 하고 근육에 힘을 주는 시간 간격에 익숙해지도

록 하기 위해서 시간을 비교적 길게 잡아 주어야 했다 시간지연을 줄이기 위t Δ

해 를 무턱 고 짧게만은 할 수 없었다 를 너무 짧은 시간으로 조정하면t tΔ Δ

사용자가 미처 따라가지 못해 엉뚱한 신호가 발생하게 된다 근육에 힘을 주는

타이밍 과 조정해 놓은 펄스의 시간 간격인 가 잘 맞아서 원하는 제(Timing) tΔ

어 신호를 오류 없이 얻을 수 있게끔 충분한 연습이 필요한 것이다 그리고 나

서 일단 익숙해지면 간격을 조금씩 줄여 나감으로 시간지연 문제를 최소화할 tΔ

수 있으리라고 생각한다 한 근육군만을 사용하여 개의 서로 다른 제어 신호 8

를 발생시킬 수 있다는 것은 아주 획기적인 방법이며 근육이 잘 발달하지 못해

서 여러 근육군을 제어 신호원으로 사용할 수 없는 절단 장애인들에게는 아주

유용하다 그리고 많은 제어 신호를 필요로 하지 않는 의수에 있어서는 OSSI

제어 방법의 원리를 이용하되 세 번의 펄스 발생 동안 의 연속적인 시간 간(3 tΔ

격동안 에 힘을 주는 것이 아니라 두 번의 펄스만을 발생시켜 의 연속적인) 2 tΔ

시간 동안에만 얻어지는 근전도 신호를 이용할 수 있다(2-Pulse OSSI Control)

이렇게 하면 비트의 신호원 조합으로 개의 제어 신호를 만들 수 있으므로2 4

한 근육군으로 개의 제어 신호를 줄 수 있게 되는 것이다 그러므로 조작하는4

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 37: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 29

데에 따른 연습도 훨씬 수월해지며 동작시키는 데에 따른 시간 지연도 로2 tΔ

줄게 되는 효과를 가져온다 만일 제어 신호가 개이상이 필요로 되어지는 의 4

수를 제어하기 위해 제어를 이용하고자 한다면 센서의 수를 늘2-Pulse OSSI

리면 될 것이다 한 근육군만을 이용하여 제어로 할 것인가 또는 3-Pulse OSSI

하나이상의 근육군을 이용하여 제어방법을 사용할 것인가 하는2-Pulse OSSI

것은 사용자의 요구에 달려 있다고 하겠다

34 NNPC Control

지금까지의 제어 방법들은 실제 구현하여 자동의수에 장착시킬 수 있는

비교적 간단한 실용적인 방법이라고 생각되어지나 사용자가 조작을 원활히 하

기까지 즉 사용하기에 익숙해지기 위해서는 조작 연습이 필요로 되어지며 장시

간을 사용할 경우에는 근육의 피로를 유발시킬 수도 있다 따라서 잘못된 근육

신호로 자동의수가 오동작을 일으킬 수도 있다 사용하기에 편리하고 좀 더 다

양한 기능을 수행할 수 있는 자동의수의 개발이 진척되기 위하여서는 여기에 알

맞은 사용자의 영향에 지배받지 않고 동작시키기에 더욱 편리하고 쉬운 제어방

법들도 개발되어야 하는 필요성을 느끼게 되었다 이러한 취지에서 비선형성의

입출력 관계에 비교적 안정된 관계를 유지시킬 수 있고 패턴 들의 분류 (Pattern)

에 강점을 지는 신경회로망 을 이용한 제어방법을 연구해 보았(Neural network)

신경회로망을 이용하는 제어 방법이 지금까지의 다른 근전도 제어방법과

크게 다른 점은 다음과 같다 제어 제어 그리고 제어 방법들 TSTS TSS OSSI

은 근육의 수축 정도에 따라 비례적으로 증가 혹은 감소되는 근전도 전압의 전

압수준만을 가지고 제어 신호를 발생시키는데에 사용했지만 신경회로망을 이용

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 38: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 30

하는 제어 방법은 근육에서 발생NNPC(Neural Network Pattern Classification)

한 전극을 통해 받아 들여진 랜덤 하게 진동하는 전형적인 근전도 신 (Random)

호 자체의 특성들을 이용하여 분류 작업을 통한 다양한 제어 신 (Classification)

호들을 만들어 내는 것이다

그림 근전도 신호를 인식하여 제어 신호를 발생시키는33

제어의 전체적인 구성도NNPC

제어 방법의 전체적인 구성은 그림 와 같으며 그 구체적인 방법NNPC 33

은 다음과 같다 같은 근육군에서 발생하는 근전도 신호라 할지라도 근육을 수

축할 때에 어떠한 모양의 자세에서 수축하였느냐에 따라 서로 다른 파형 형태나

특징들을 갖게 된다는 것이 현재까지 밝혀진 바이다 따라서 여러 모양의 자세

에 따라 힘을 주어 발생시킨 근전도 신호의 전압 값들을 통계학적인 분석들을

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 39: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 31

거치게 하여 각 근수축 자세를 분류할 수 있는 특징적인 분석 값들을 얻는다

각 근수축 자세에 따라 분류한 특징 값들과 출력패턴 과 관계를 정해 놓(Pattern)

은 후에 신경회로망을 이용하여 정해 놓은 입출력관계를 학습시키는 것이다 그

리고 나서 이미 몇 가지로 정의되어진 근수축자세중의 어느 하나의 근수축자세

로 근전도 신호를 발생시켜 얻은 특징 값들을 이미 학습이 완료된 신경회로망

에 새로운 입력값으로 넣어 주면 학습을 통해 가지게 된 정보를 이용하여 어떠

한 근수축자세였는지를 인식하여 출력값으로 알맞은 출력패턴 값을 내어 주게

되는 것이다 결국 근전도 신호를 패턴에 따라 분류하여 각 패턴을 인식함으로

각 패턴이 가지고 있는 제어 신호를 발생시키겠다는 것이 제어의 기본NNPC

방법이라 할 수 있다

근전도 신호의 분류에 신경회로망을 이용함으로써 예측되는 기 는 많다

우선은 신경회로망 자체가 패턴들의 분류문제를 해결하는 데에 장점을 지니기

때문에 근육의 경련이라던가 혹은 잘못된 신호가 발생한 경우 즉 확실하지 못

한 입력값에 해서 무조건적으로 의수의 동작을 유발시키는 것이 아니라 학습

시킨 결과에 따른 출력을 확보해 주는 안정성이 있다 그리고 이 제어 방법을

이용하여 자동의수를 오랫동안 사용한다면 특정 사용자에 관한 더 확실하고 다

양한 경우의 학습용의 입력신호를 얻어냄으로 해서 더욱 완벽하게 신경회로망의

학습을 시킬 수 있다 따라서 오동작율을 줄임으로 신뢰성 있는 제어 실현의 가

능성을 예측할 수 있다 그러나 신경회로망을 이용하여 자동의수를 제어하는데

는 여러 가지 문제점들을 안고 있다 과연 근전도 신호를 가지고 패턴인 100

식율을 확신할 수 있는가 하는 점에 해서는 현재까지도 근전도신호 자체에

한 확실한 수학적인 모델이 없기 때문에 그리고 통계적으로 처리되는 근전도

신호는 시간에 따라 큰변화가 없고 어느 때나 같은 성질을 같는다(Stationary)

는 중요한 가정이 뒷받침되어져 있기 때문에 말하기가 어렵다 또(Ergodic) [35]

한 현재로는 제어 실현이 어렵다 근전도 신호를 처리고 신경회로망의On-Line

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 40: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 32

학습을 수행할 수 있는 하드웨어 의 소형화 문제와 그것에 따른 전원(Hardware)

문제 그리고 계산에 따른 시간지연 문제 등 여러 요인을 생각해 보아야 할 것이

본 논문에서는 신경회로망의 장점을 살리는 입장에서 신경회로망을 이용하

는 제어 방법을 연구해 보았고 이에 따라 제어의 가능성을 제시하려 한NNPC

다 원칙적으로는 팔이 절단된 장애인 자신이 이용할 수 있는 근육군을 사용하

여 그들 나름 로의 여러 수축 자세를 정한 다음 수축시켜 발생하는 신호들을

가지고 제어에 관한 모든 실험과 분석을 해야 되겠지만 연구의 시작 단NNPC

계로 제어 방법의 가능성을 제시하는 것이 현단계의 주목적이므로 모든NNPC

실험 과정은 정상인 팔의 근수축 자세와 그에 따라 발생하는 근전도 신호를 이

용하였다

연구 절차34-1

입출력 관계 정의1)

가지의 서로 다른 근수축 자세 가지 패턴 와 그에 따른 개의 출12 (12 ) 12

력을 정의하였다 가지의 서로 다른 근수축 자세는 그림 와 그림 에 12 34 35

나타난 기본적인 세 가지 자세의 조합으로 되어 있고 세 자세의 조합은 표 31

에 나타난 바와 같이 정하였다 표 에 나와 있는 운동종류는 팔의 31

과 팔꿈치의 동작을 기본자세 로 생각하여Depression Extension (Zero-motion)

분류한 것이다

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 41: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 33

그림 팔꿈치의 기본 자세34

그림 팔의 기본 자세35

표 세 가지 기본자세의 조합으로 구성한 가지의 근수축 자세31 12

팔ARM( ) 어깨(HUMERAL) 팔꿈치(ELBOW)

약칭 운동종류Depression Elevation Rotate In Rotate Out Flexion Extension

O O D_E Zero

O O D_F Single

O O O DIF Double

O O O DOF Double

O O O DIE Single

O O O DOE Single

O O E_E Single

O O E_F Double

O O O EIF Three

O O O EOF Three

O O O EIE Double

O O O EOE Double

개의 출력값은 다음과 같이 정의하였다12

y = ( a b c d e f g h i j k l )

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 42: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 34

약 칭

a = 10 D_E

b = 10 D_F

c = 10 DIF

d = 10 DOF

e = 10 DIE

f = 10 DOE

g = 10 E_E

h = 10 E_F

i = 10 EIF

j = 10 EOF

k = 10 EIE

l = 10 EOE

실험 방법2)

모든 근전도 신호는 개의 근육군만을 이용하기여 얻어졌다 즉 개의3 3

전극 을 그림 과같이 이두박근 의 중심부와 삼두박근(Electrode) 36 (Biceps)

의 중심부 그리고 어깨의 삼각근 의 중심부에 부착(Triceps) (Long head) (Deltoid)

하였다 전극을 통해 감지된 신호는 배 증폭되고 노치여파 1000 1500 60 Hz~

기 와 의 밴드패스 여파기 를 거쳐서(Notch filter) 5 1000 Hz (Band pass filter)~

최종적으로 약 plusmn1 사이의 전압으로 얻어진다 실험에 사용한 증폭기와 여파V

기회로의 회로도는 부록 에 나와 있다 이렇게 얻어진 근전도 신호를A5 10

혹은 의 샘플링주파수 로 변환을 거쳐Khz 15 Khz (Sampling frequency) A-D

서 각 동작마다 약 동안 획득하였다 500ms

피실험자들은 세 세의 정상인의 남자 명을 선정하였고 가지23 25 7 12~

의 근수축 자세에 따라 각각 한번씩 번 실험하는 것을 한 세트 라 정하12 (Set)

였으므로 한 세트는 각 근수축시 발생한 개의 실험 데이터 군으로 이루어져12

있다 이런 식으로 하루에 세트 반복 실험하였으며 일에 걸쳐서 실험을 완 4 3

료하였다 결국 한 명의 피실험자로부터 세트 12 3)의 데이터들을 얻어내었다 그

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 43: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 35

리고 실험을 할 때에 일정한 근육수축의 기준을 마련하기 위해 최 힘을 주도

록 요구하였다

그림 전극의 부착 위치36

데이터 분석3)

데이터 획득을 마친 후 얻어진 값들로부터 다음과 같은 통계적인 값들을

구해 보았다

파형길이분치(IWL)(Integrated Waveform Length)

IWL = sumN

k=1| Δ xk |

여기서 샘플링 데이터수 본 실험에서는 개N ( 4096 )

Δ xk = xk - xk-1ˆ 절 값 평균(Absolute mean value)

Xi =1N sum

N

k=1| xk |

여기서 실험 데이터군 번호i

평균(Mean value)

3) 실험자중 명은 세트의 데이터만 얻었다2 10

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 44: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 36

Xi =1N sum

N

k=1xk

분산(Variance)

σ2i =1N-1 sum

N

k=1( xk - Xi )

2

영교차수(Zerocrossing)

데이터가 다음과 같을 때 카운트 한다(Count)

xk times xk+1ˆlt 0 그리고 | xk - xk+1ˆ|ge 0001 V기울기 변화 횟수(Slope sign change)

데이터가 다음과 같을 때 카운트한다

xk gt xk-1ˆ그리고 xk gt xk+1ˆ또는 xk lt xk-1ˆ그리고 xk lt xk+1ˆ그리고 | xk - xk-1ˆ| ge 0001V또는 | xk - xk+1ˆ| ge 0001V

차 적률3 (3rd moment)

주파수변환(Fourier Fast Transform)

자동 상관관계(Autocorrelation)

가지 근수축 자세에 따라 수축한 근육군들에서 발생하는 근전도 신호들12

의 전압 수준에 있어서는 이두박근과 삼두박근 그리고 삼각근 사이에 몇 가지로

분류될 수 있는 일정한 우위 순위를 볼 수 있었다 그러나 절 적인 값에 있어

서는 같은 운동자세의 반복적인 실험 값이라 할지라도 일정치 않았으며 때때로

잡음 값이라 생각되어지는 이상한 값들이 들어가 있는 경우가 있었기 때문에 이

러한 것으로 판별되어지는 것은 제거하였다

신경회로망 구성4)

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 45: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 37

신경회로망의 입력값①

가지 근수축 자세 패턴 에 따라 세 근육군에서 발생된 근전도 신호 값12 ( )

들로부터 여러 가지 통계분석 값들을 얻었지만 통계분석 값의 모두가 패턴 12

에 한 특징적인 정보를 가지고 있다고는 할 수 없었다 그래서 각 패(Pattern)

턴에 따라 비교적 확실한 차이를 가지는 세 근육군 그리고 (Biceps Triceps

에서 얻어진 각각의 값과 각각의 분Deltoid) IWL(Integrated Waveform Length)

산 값을 신경회로망의 입력값들로 선정하였다 그리고 세 근육군에서 얻어진

값들의 순위에 따라 정의한 순위 값 표 참조 도 신경회로망의 입력값들IWL ( 32 )

중 하나로 첨가하였다 그러므로 총 가지 값들을 신경회로망의 입력노드 7

에 들어가는 입력값들로 정하였다(Node)

표 신경회로망에 입력노드에 입력되는 의 순위값 정의32 IWL

순위값값의 순위IWL

Biceps Triceps Deltoid

+ 10 2 3 1

+ 06 1 3 2

+ 02 1 2 3

- 02 2 1 3

- 06 3 1 2

- 10 3 2 1

데이터 전처리 방법(Data Pre-processing)②

신경회로망에서는 얻어진 실제적인 데이터들을 신경회로망 시스템의 입력

노드에 넣어 주기까지의 데이터 전처리 단계가 신경회로망 시스템의 성능을 좌

우하는데 매우 중요하다 데이터 전처리라 함은 신경회로망의 입력으로 사용할

꼭 필요한 데이터들의 선정은 물론 그 데이터들의 물리적인 의미를 잃지 않게

하면서 신경회로망 시스템에 맞는 입력 범위로 데이터 값들의 크기를 정규화

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 46: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 38

하는 것을 말한다(Normalization)

신경회로망의 입력으로 넣을 가지 종류의 데이터들을 얻었으므로 학습시7

킬 훈련집합 의 입출력관계는 식 처럼 정의할 수 있다(Training set) (41)

y p = x p j i (41)

여기서

패턴 번호p ( p = 1 12 )

실험 횟수 번호 반복 실험 횟수j ( j = 1 )

신경회로망의 입력 노드 번호i ( i = 1 7 )

x p j i 학습시킬 신경회로망의 입력 데이터

y p 학습시킬 신경회로망의 출력 데이터

를 뜻한다 신경회로망의 한 입력 노드에 들어갈 데이터들끼리 묶어서 노드들

간에는 서로 독립적으로 정규화를 수행하였으며 방법은 다음과 같이하였다 한

입력 노드 가 정해지면 먼저 각 패턴에 해 식 와 같이 정의할 수 있는i (42)

산술평균을 구한다 그리고 나서 이 산술평균값으로부터 식 과같이 기하평 (43)

균 을 구하였다 그리고 역시 한 입력 노드에 들어갈 데이터들(Geometric mean)

의 최 값(MAXi 과 최소값) (MINi 를 구한 다음 식 과 같은 선형보간법) (44)

으로 실제 실험 데이터들 값들을 과 사이의(Linear interpolation) - 10 + 10

범위 값들로 정규화 시켰다 이렇게 함으로 식 의 최종적인 (41) x p j i 와 같은

학습시킬 신경회로망의 입력값들을 얻어내었다

MEANp i = sumn

j=1x p j i (42)

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 47: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 39

여기서 n 반복 실험 횟수

x p j i 실험 데이터 값

GMEANi = ( sum12

p=1MEANp i )

112 (43)

xp j i =

- ( GMEANi - x p j i )( GMEANi - MINi )

( x p j i gt GMEANi )

( x p j i - GMEANi )( MAXi - GMEANi )

( x p j i lt GMEANi )

(44)

실험결과 및 고찰34-2

검사 방법1)

개의 패턴 근수축 자세 을 인식해 내기 위한 신경회로망의 최종적인 구12 ( )

성은 다음과 같이하였다 개의 노드 를 갖는 단 층의 은닉층 30 (Node) (Hidden

만을 사용하였으며 출력층의 노드 수는 출력값을 개의 패턴으로 정의했layer) 12

으므로 개로 하였다 은닉층의 노드 수를 개 사이로 변화시켜 가며12 20 30~

학습을 수행하였을 때에는 결과에 별 차이를 보이지 않았으나 개 미만 혹은20

개이상으로 구성하면 인식율이 저하되는 경향이 있었다 신경회로망의 학습30

을 종료시키기 위해 오차 를 식 와 같이 정의하고 에러 값이 이(Error) (45) 001

내로 들어올 때 학습을 종료시켰다

Error = sum12

p=1sumn

j=1sum12

i=1| yp - op j i | (45)

여기서 yp 패턴번호 에 따라 정의되어진 출력값 p

op j i 입력값이 xp j i 일 때 계산되어진 출력값

결과는 다음과 같은 방법으로 얻었다 한 패턴 근수축 자세 을 정의하는 반 ( )

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 48: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 40

복되어 얻어진 실험 데이터 군들 가운데 하나의 데이터 군을 검사용(Testing)

데이터 군으로 확보한 후 검사용 데이터 군을 제외한 나머지 데이터 군들을 학

습용 데이터로 정의하였다 검사를 하기 위하여 학습용 데이터를 통해 학습이

완료된 신경회로망의 입력으로 검사용 데이터를 넣게 되면 최종 인식결과가 출

력값으로 나오게 되는 것이다 검사용 데이터를 정규화 시킬 때는 학습용 데이

터를 정규화할 때 얻은 그리고 값을 이용하여 학습용 데GMEAN MAX MIN

이터와 같이 선형보간법을 이용하였다 이러한 방법으로 한 피실험자에 얻어진

실험 데이터 군들에 해서 번의 검사를 실시하였는데 검사할 때마다 임의의3

서로 다른 검사용 데이터 군이 추출되도록 하였다

결과 및 고찰2)

모든 피실험자에게 얻은 실험데이터에 에 번씩 검사한 최종적인 결과3

는 다음의 표 에 나타내었다 표의 세로 열은 검사하는 패턴 근수축 자세 을33 ( )

나타낸 것이고 이 검사 패턴에 해 신경회로망이 내어 준 인식율 결과를 퍼센

트 숫자로 표시하였다 첫째 줄은 자세에 해 로 바르게 인(Percent) D_E D_E

식한 경우가 이고 로 오인식한 경우는 로 오인식한 경우714 DIE 48 DOE

는 란 것을 표시한 것이다 모든 패턴에 해 올바르게 인식한 평균 인식238

율은 였다647

표 의 결과로부터 다음과 같은 것들을 알 수 있다 검사 입력이 일33 D_E

때 라고 인식한 오인식율이 이고 검사 입력이 일 때는DOE 238 DOE D_E

라고 오인식한 경우가 이므로 이처럼 비교적 큰 오인식율을 보이는238 D_E

와 사이에는 뚜렷한 차이를 둘 수 없다는 것이다 이것은 와 그DOE D_F DOF

리고 와 사이에도 마찬가지로 보여진다 그래서 개의 임의의 근E_F EOF 12

수축자세의 패턴으로 나누어 실험을 시작하였지만 인식율을 높이기 위해서는

와 와 그리고 와 를 나누지 않고 각각 하나의D_E DOE D_F DOF E_F EOF

표 신경회로망을 이용한 인식 결과33

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 49: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 41

D_E D_F DIF DOF DIE D O E E_E E_F EIF EOF EIE EOE

D_E 714 48 238

D_F 667 48 238 48

DIF 190 524 143 48 95

DOF 333 333 286 48

DIE 143 762 48 48

DOE 238 714 48

E_E 857 143

E_F 476 190 238 48 48

EIF 48 143 714 95

EOF 48 95 190 619 48

EIE 238 762

EOE 48 48 48 48 48 95 667

단위( )

패턴으로 재정의 해야 할 것이다 이렇게 하면 개의 패턴으로 줄어들어 패턴 9

에 따라 발생시키는 제어 신호의 종류가 줄어든다 할지라도 인식율을 약 76

로 증가시킬 수 있다 그리고 자동의수에 국한하여 이 제어 방식 Biro_I NNPC

을 써서 제어하려 한다면 개의 제어 신호만 필요하게 됨으로 오인식율이 상 6

적으로 높은 즉 패턴 고유의 특징이 적은 그리고 을 제외시( ) DIF EIF EOE

킨 의 개의 근수축 자세를 통하여 개의 패D_E D_F DIE E_E E_F EIE 6 6

턴 인식에 따른 제어 신호를 발생시킨다면 그 인식율은 약 가되므로 83 83

의 제어의 신뢰성을 얻을 수 있다는 사실을 알 수 있다

에 가까운 인식율을 보이지 못한 이유는 여러 가지로 생각할 수 있100

는데 첫째는 수십 인 미세한 전압원인 근전도 신호 획득 시에 어쩔 수 없 mV

는 잡음의 영향으로 인하여 정확한 근전도 신호만을 획득해 내지 못한 이유로

고유의 신호 특성을 약화시켰을 수도 있다는 점이다 근전도 신호를 획득하기

위한 증폭기 및 여파기 의 설계와 제작에 좀 더 많은 기술이(Amplifier) (Filter)

필요할 것 같다 둘째는 근전도 신호를 획득하는 과정에서 실험할 때마다 피실

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 50: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

여러 가지 근전도 제어 방법과 실험Ⅲ 42

험자의 상태에 따른 외란의 영향을 무시할 수 없기에 각 패턴에 한 좀 더 고

유의 일정한 값들을 얻지 못했다는 점이다 실험 전에 피실험자에게 충분한 훈

련을 거치게 하여 비교적 일정한 힘을 내게 하고 패턴마다 확실한 근수축 자세

를 유지하도록 하는 좀 더 세심한 실험이 필요할 것 같다 그리고 여러 사람을

상 로 실험하는 것보다는 한 사람을 상 로 하여 많은 반복실험을 하는 것이

중요하다고 여겨진다 반복실험을 많이 하게 되면 각 패턴에 한 좀 더 신뢰할

수 있는 일정한 값들을 확보할 수 있고 그 만큼 많은 양의 훈련데이터로 신경

회로망을 학습시킨다면 훨씬 정확한 인식율을 기 할 수 있을 것이다 셋째는

근육 자체에서 나오는 근전도 신호는 사실은 랜덤 한 신호원이기 때문(Random)

에 패턴 인식을 보장할 수 있는 통계적인 특징 값을 구할 수 있느냐의 의100

문이다 이를 확신하기 위하여는 근육자체에 한 생리학적인 연구가 뒷받침되

어야 하는 필요가 요구된다

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 51: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 개선

정상인의 팔처럼 좀 더 완벽한 기능을 신할 수 있는 이상적인 자동의수

로 개발되기 위해서는 사용자와 자동의수간에 그림 과 같은 페루프 시스템41

을 이루어야 한다 정상인들은 자신의 팔로 어떠한 작업을(Closed loop system)

수행할 때에 시각과 감각을 통하여 동작하는 데에 따른 귀환 정보신호를 얻지만

의수를 사용하는 장애인들은 단지 시각을 통해서만 작업을 수행할 수밖에 없는

제약이 있다 그렇기 때문에 정상인들의 팔처럼 수행할 수 없는 많은 작업들이

생겨나게 된다 이러한 점을 보완하고자 기계적인 진동이라든지 피부를 자극하

는 장치 등을 이용하여 자동의수 사용자에게 현재 수행하고 있는 작업에 한

상황을 알려주고자 하는 노력들이 연구되어지기도 하였다

본 연구에서는 이러한 개선점의 취지 아래 자동의수의 손가락 끝에Biro_I

센서의 기능을 신할 수 있는 압력 센서를 사용함으로 센서를 통해 얻Touch

어지는 귀환신호를 사용하여 손동작의 기능을 조금이라도 개선하고자 하는 연구

를 수행하였다 단순히 쥐고 펴는 동작만이 가능한 자유도 메커니즘 1

의 손이라 할지라도 귀환신호를 이용한다면 정밀한 손동작 제어를(Mechanism)

할 수 있기 때문에 더 유용한 기능을 기 할 수 있다

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 52: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 개선Ⅳ 44

그림 41 A schematic representation of a prosthesis in a closed-loop fashion

손 부분 의 개선41 (Hand part)

정상인들은 그들의 손끝의 감각 정보를 이용하여 알맞게 근육의 힘을 제어

함으로 무른 물체를 찌그러뜨리지 않고 안정하게 집을 수 있다 의수 사용(Soft)

자들에게 이러한 감각을 제공할 수는 없다 할지라도 정밀한 제어를 쉽게 그들의

근육을 이용하여 할 수 있도록 한다면 무른 물체를 찌그러뜨리거나 깨지지 않도

록 하면서 집을 수 있을 것이다 이와 같이 개선하고자 그림 에서 보이는 바 42

와 같이 자동의수의 손가락 끝에 압력센서를 부착시켜 터치 센서Biro_I (Touch)

로 사용하고 손가락 구동모터에 엔코더 를 이용하려 한다 전체적인 제(Encoder)

어 방법의 구성은 그림 과 같으며 그 방법은 다음과 같다 의수로 물건을 집43

게 되면 압력센서를 통해 물건이 닿았다는 신호가 에 들어오게 되고 Controller

이 신호가 들어오면 일단 모터는 정지하게 된다 이때부터는 PWM4) 방식으로

모터의 회전속도를 제어할 수 있는 상태로 바뀌게 된다 만일 사용자가 계속 구

동 신호를 내어 주면 손가락 구동모터의 인가 전압이 서서히 높아지면서 움직일

수 있는 최저의 토크로 천천히 모터가 회전하게 되므로 손가락이 아주 느리게

오므려지게 된다

4) PWM(Pulse Width Modulation)

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 53: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

자동의수의 개선Ⅳ 45

그림 센서와 엔코더의 부착 위치42

그림 정밀한 손동작 제어의 구성도43

회전하다가 임의로 정한 일정한 회전각도를 넘게 되었다는 것을 엔코더를

통하여 가 입력받으면 정지 신호를 내어 보내 모터를 다시 정지시킨Controller

다 계속 손가락을 오므리기 위해서는 또 구동신호를 주어야 한다 결국 손가락

의 움직임을 천천히 제어할 수 있도록 한 것인데 이렇게 함으로 해서 눈으로

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 54: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

확인을 하며 제어를 해야 할 필요는 있지만 물체를 쥐고 있는 동안에는 정밀한

손동작을 할 수 있으므로 찌그러짐 같은 것을 방지하며 안정하게 물건을 집을

수 있게 된다 이것의 구현 회로는 부록 에 나와 있다 구현 회로의 검사가 A6

끝났으며 실제 동작을 시켜 보기 위한 연구가 진행중이다

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 55: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

결론 및 앞으로의 연구 방향Ⅴ 47

결론 및

앞으로의 연구 방향

결론51

본 연구는 선천적으로 또는 사고로 팔꿈치 위까지 절단된 장애인

을 위해서 그리고 장애인의 신체 기능 회복을 위한 재(Above-elbow amputee)

활 공학 연구의 시작단계로 자유도를 가지는 프로토타입3 Biro_I (Prototype)

자동의수 를 설계하고 제작(Prosthetic arm) 하였다 관절에 사용된 워엄기어의

기계적인 자동체결 효과를 이용하여 전원의 소비를 줄였으며 손가(Self locking)

락끝에 코일스프링을 장착시켜 기어들의 백래시 등의 단점들을 보강하(Backlash)

여 안정한 집기동작을 가능케 하였다

또한 제작된 자동의수의 기능을 개선시키고자 정밀한 손동작을 할 수 있

는 손동작 제어 알고리즘을 고안하고 실험해 보았다

그리고 근전도 신호를 이용하여 제어하는 방식의(EMG) 다자유도의 다기

능 자동의수에 알맞은 여러 가지 근전도 제어 방법을 제안하고 구현하여 실

험해 보았다 이러한 근전도 제어 방법은 실용적인 관점에서의 제어 방법과 현

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 56: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

결론 및 앞으로의 연구 방향Ⅴ 48

재로는 연구 단계로서의 개발된 제어 방법으로 나눌 수 있다 그러므로 실용적

인 방면으로는 제어 방식과 제어 방법을 제안하고 구현하여 보았으TSS OSSI

며 연구 단계로서는 제어 방법을 제안하고 실험해 보았다 각각의 근전 NNPC

도 제어 방법마다 장단점이 있으므로 어느 것이 자동의수를 제어할 때 가장 나

은 최적의 제어 방법이라고 결론지을 수는 없지만 본 연구만을 통하여 결론지

을 수 있는 것은 간단하면서도 실용적인 방법으로는 제어 방식이라고 할TSS

수 있다 그러나 만일 제어를 이용한다면 사용자의 연습을 필요로 하지만 OSSI

가장 적은 근육군을 이용하여 의수의 모든 동작들을 제어하는 것이 가능하므로

센서를 부착시킬 근육군의 선정이 어려운 사람에게는 매우 유용하다 그리고 또

한 만일 제어를 하기 위한 모든 시스템이 자동의수내에 장착시킬 수 있NNPC

을 만큼 축소화가 가능해 진다면 앞으로는 제어의 편리함과 좋은 안정성을 제

공하여 주는 제어방식이 자동의수의 제어에 효율적으로 쓰일 수 있을 것NNPC

으로 생각된다

앞으로의 연구 방향52

설계 제작된 프로토타입 자동의수는 실제로 장애인이 일상생활에Biro_I

사용하기에는 크기 무게 전원문제 및 외관 등의 개선점의 여지가 많이 남아 있

다 그리고 제안한 여러 근전도 제어 방법들에 한 보다 많은 검증과 평가가

필요하고 제어 회로 구현의 최적의 소형화가 이루어 져야 할 것이다

그래서 앞으로 더 연구되어야 할 방향은 다음과 같다 먼저 근육에서 발생

하는 근전도 신호 자체에 정확한 분석을 위해 근육자체에 한 생리학적인 연구

가 반드시 이루어져야 할 것이다 실용성을 염두하며 자동의수의 메커니즘의 개

선점을 개선시키고 나아가 자동의수를 사용하는 장애인들에게 감각이나 그 외

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 57: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

결론 및 앞으로의 연구 방향Ⅴ 49

의 어떠한 귀환신호를 제공함으로 해서 섬세한 기능까지 가능하도록 하는 폐루

프 시스템의 자동의수 개발로 나아가야 한다 그리고 또한 다기능(Closed loop)

자동의수에 더욱 적합한 새로운 근전도 제어 방법이 지속적으로 연구되어져야

한다 이러한 모든 연구는 의수를 실제 사용하고 있는 장애인들과의 관계 속에

서 문제점을 분석하고 보완해 나가는 방향으로 되어져야 할 것이다

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 58: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부 록

부록 을 이용한 모터의 구동 회로A1 L298

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 59: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 회로도A 51

부록 제어 회로도A2 TSTS

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 60: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 회로도A 52

부록 제어 회로도A3 TSS

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 61: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 회로도A 53

부록 제어 회로도A4 OSSI

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 62: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 회로도A 54

부록 근전도 신호의 획득에 사용한 증폭기와 여파기 회로도A5

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 63: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 회로도A 55

부록 정밀한 손동작 기능을 위한 구현 회로도A6

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 64: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

부록 자동의수의 전체적인 메커니즘B Biro_I

참고 문헌

[1] N Wiener Cybernetics 2nd ed Cambridge MA MIT and New York

Wiley 1961

[2] R Reiter Eine Neue Electrokunsthand Grenzbebiete der Medizin vol 4

no 133 1948

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 65: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

참고 문헌 57

[3] S W Alderson The electric arm in Human Limbs and Their

Substitutes Klopsteg and Wilson Ed New York Hafner 1968 pp 359-410

(reprint of McGraw-Hill 1954)

[4] B Popov The bio-electrically controlled prosthesis J Bone Joint

Surgery vol 47B pp 421-424 Aug 1965

[5] E Peizer D W Wright C Mason and T Pirrello The Viennatone

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[6] R Rothchild and R W Mann An EMG controlled proportional rate

force sensing elbow prosthesis in Proc Symp Biomed Eng Milwaukee

WI June 1966

[7] R B Jerard T W Williams and C W Ohlenbusch Practical design of

an EMG controlled above-elbow prosthesis in Proc 1974 Conf Eng

Devices Rehab Tufts University School of Medicine May 2-3 1974

[8] E Peizer D W Wright C Mason and T Pirrello The Otto Bock

hand in Guidelines for standards for externally powered hands Bull

Prosth Res Fall 1969

[9] Product Literature Chicago IL Fidelity Electronics

[10] D Childress et al VANU myoelectric system for below elbow

amputees Contractor Rep Bull Prosth Res vol 10-18 p 225 Fall 1972

[11] H Schmidl The INAIL-CECA prostheses Orthotics Prosth vol 27

pp 6-12 Mar 1973

[12] S C Jacobsen R B Jerard and D F Knutti Development and control

of the Utah arm in Proc Fifth Int Symp Ext Cont Human Extremities

Yugoslovia Aug 25-30 1975

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 66: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

참고 문헌 58

[13] H Funakubo T Isomura T Yamaguchi and Y Saito Total arm

prosthesis driven by 12 micro-motors pocketable micro-computer and voice

and look-sight microcommanding system in Proc Int Conf Rehab Eng

Toronto Ont Canada June 16-20 1980

[14] DS Dorcas and RN Scott A three-state myoelectric control Med Biol

Eng vol 4 pp 367-370 1966

[15] D Graupe and W Cline Fundamental separation of EMG signals via

ARMA identification methods for prosthesis control purposes IEEE Trans

SMC-5 790 2 pp252-259 1975

[16] D Graupe A Beex W Monlux and J Magnussen A multifunctional

control system based on time series identification of EMG signals using

microprocessors Bull Prosthes Res BPR 10-27 pp 4-16 Spring 1977

[17] D Graupe J Magnussen and A Beex A microprocessor system for

multifunctional control of upper-limb prostheses via myoelectric signal

identification IEEE Trans Automat Contr vol AC-23 pp 8-35 Fall 1978

[18] D Graupe and J Salahi Multifunctional artificial limb control via EMG

temporal analysis-Background and amputee tests Dep Elec Eng Illinois

Inst Technol Chicago

[19] R W Wirta D R Taylor and F R Finely Pattern recognition arm

prostheses A historical perspective-A final report Bull Prosthes Res

pp8-35 Fall 1978

[20] G N Saridis and M A Newman Upper limb EMG statistical

analysis in Proc MIDCON 79 Chicago IL Nov 1979

[21] A Freedy F C Hull and J Lyman A learning system for trajectory

control in artificial arms in Proc 4th Int Symp on External Contr of

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 67: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

참고 문헌 59

Human Extremities Duvrounik Yugoslavia Sept 1972 pp 303-316

[22] J Lyman A Freedy and H Zadaca Studies and development of

heuristic end-point control for artificial upper limbs Biotech Lab Univ

Calif Los Angeles Tech Rep 54 Oct 1974

[23] P D Lawrence and W C Lin Statistical decision making in the

real-time control of an arm aid for the disabled IEEE Trans Syst Man

Cybern vol SMC-2 pp 35-42 Jan 1972

[24] S C Jacobsen and R W Mann Control systems for artificial arm in

Proc IEEE Conf on SMC Nov 1973

[25] S C Jacobsen D F Kuntti R T Johnson and H H Sears

Development of the Utah artificial arm IEEE Trans Biomed Eng vol

BME-29 pp 249-269 Apr 1982

[26] B Hudgins P A Parker and R N Scott A new strategy for

multifunction myoelectric control IEEE Trans Biomed Eng vol 40 pp

82-93 January 1993

[27] D Childress L Philipson and J Strysik Digital approaches to

myoelectric state control of prostheses Bull Prosthetics Res BPR

10-36(vol 18 No 2) pp 3-11 Fall 1981

[28] G N Saridis and T P Gootee EMG pattern analysis and classification

for a prosthetic arm IEEE Trans Biomed Eng vol BME-29 No 6 pp

403-412 June 1982

[29] S H Lee and G N Saridis The control of a prosthetic arm by EMG

pattern recognition IEEE Trans Automat Contr vol AC-23 pp 290-302

April 1984

[30] P A Parker and R N Scott Myoelectric control of prosthesis CRC

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 68: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

참고 문헌 60

Crit Rev Biomed Eng vol 13 issue 4 pp 283-310 1986

[31] P Lennart D S Childress and J Strysik Digital Approaches to

Myoelectric State Control of Prostheses Bulletin of Prosthetics Research

vol18 No2 pp 3-11 Fall 1981

[32] R N Scott and P A Parker Myoelectric prostheses state of art

Journal of Medical Engineering amp Technology vol 12 No 4 pp 143-151

JulyAugust 1988

김 수 신경망 이론과 응용[33] (I) 1992

[34] D B Chaffin and Gunnar B J Anderson occupational BIOMECANICS

2nd ed Wiley-Interscience pp 141-146 1991

[35] E Kwatny D H Thomas and H G Kwatny An Application of Signal

Processing Techniques to the Study of Myoelectric Signals IEEE Trans

Biomed Eng vol BME-17 No 4 Oct 1982

[36] K Kuribayashi S Shimizu A Kawachi and T Taniguchi A

Discrimination system using neural network for SMA prosthesis Yamaguchi

Univ 1993

[37] C J De Luca Control of upper-limb prosthesis A case for

neuroelectric control J Med Eng Technol Vol 2 pp 57-61 1978

[38] I Kato and K Sadamoto Mechanical hands illustrated Tokyo Survey

Japan Beaverton OR Exclusive Distributor c1982

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 69: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

감사의 글

감사의 글

고집이라면 고집으로 의공학이라는 분야에 관심을 가지고 포항이란 동네에

왔었습니다 제 마음은 제가 이곳에서 생활하고 공부했던 결실이 이 한 권의 논

문으로만 평가되어지는 것을 원하지 않습니다 그렇기에는 저에게 참으로 여러

가지의 것들을 깨닫게 하고 성숙하게 만들었던 시간들이었기 때문입니다

이 곳에서 그 동안 몸 건강히 학업에 진보와 내면의 성장을 허락하신 하나

님께 먼저 감사를 드립니다 지금은 없어진 의공연구실이지만 팀장으로 계시면

서 관심과 후원을 주셨던 최화순 박사님과 의공학쪽으로 연구할 수 있도록 배려

해 주신 염영일 교수님 그리고 혼자 우왕좌왕할 때 채찍질해 주신 정완균 교수

님께 감사를 드립니다 연구를 해 나가며 물어 보기도 참 많이도 물어 보았는데

그때마다 도움을 주셨던 박상국 강영훈 위현곤 연구원님에게 그리고 차동열씨

와 근이에게 고마운 마음 전합니다 그리고 나와 한 실험실 동료로 생각하면

서 지내온 경임누나와 철 학상 그 밖의 산공과 사람들 그리고 로보트 실험실의

상덕이형 돈용이형 영태형 용환이형 종훈이형 길룡이형 민철이형과 재범 봉

근 정헌 찬훈 나를 도리어 걱정해 주던 영진이와 나의 동기인 홍석이와 방동

료이기까지 했던 명구에게 고맙다는 말 하고 싶습니다 그리고 실험에 동참해

주었던 여러 후배들과 이 지면에 일일이 이름을 적지 않았지만 지금 머리 속에

떠오르는 기계과 친구들과 내가 아는 사람들 다 나에게 고마운 사람들입니다

또한 흥교회를 통해 알게 된 기 친구들과 청년부의 형제 자매들 또 서울에3

있는 설두리 친구들은 어렵고 힘들 때 나에게 생활의 의욕과 활력을 주었던 사

람들입니다 날 위해 기도해 주시는 할머니와 아버지 어머니 그리고 승범이형과

늦게나마 열심히 공부하고 있는 승택이형에게 가족으로의 사랑과 감사의 말 전

하며 끝으로 이 논문을 보시는 모든 분들께 다시 한번 감사드립니다

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )

Page 70: 생체전기신호를이용하는 자동의수와제어방법개발biokimcom.g3.cc/resume/MS_thesis_1995_JAE.pdf · (Boston)Elbow[6,7], (OttoBockHand)[8], (Fidelity오토복핸드

이력서

이 력 서

성 명 김 승 재

생년월일 년 월 일 1971 4 2

출 생 지 춘 천

주 소 서울시 영등포구 여의도동 시범 동 호 APT 16 122

학 력

한양 학교 공과 학 기계설계학과 공학사1989 1993 ( )

포항 공과 학교 기계공학과 공학석사1993 1995 ( )