전자공학회논문지 IE

대한전자공학회 (The Institute of Electronics and Information Engineers)
권호 표지

인공의수의 능동 제어를 위한 생체 신호 처리에 관한 연구

A study on bio-signal process for prosthesis arm control

  • 안영명 (서일대학 자동차과) ;
  • 유재명 (차세대지능형로봇인력양성센터)
  • Ahn, Young-Myung (Dept. of Automobile Engineering, Seoil College) ;
  • Yoo, Jae-Myung (Educational Training Center for the Next Generation Intelligent Robot)
  • 발행 : 2006.12.25
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 연구에서는, 팔의 4가지 운동을 구별할 수 있는 계측 시스템과, 구별된 팔의 운동 위치를 추정할 수 있는 제어 알고리즘에 관하여 기술한다. 먼저 4가지(굽히기와 펴기, 내전과 외전) 운동을 구별하기 위해 굽혀진 정도를 측정할 수 있는 전기 저항 형태의 굽힘 센서를 사용한다. 이 센서를 왼팔의 상완 이두근과 오구완근에 1개씩 부착한다. 부착된 두 개의 센서로부터 출력되는 신호는 증폭기와 필터 등으로 구성된 계측 시스템을 통과한다. 이 시스템에서는 상완이두근에 부착된 센서 신호는 굽히기와 펴기 운동 중에서만 On/OFF 작동을 하도록 하고, 오구완근에 부착된 센서 신호는 모든 운동에 작동하도록 설계하였다. 이렇게 출력된 신호들로부터 4가지 운동은 구별하여 출력하고, 출력된 신호들로부터 팔의 운동 위치를 측정한다. 마지막으로, 제안된 알고리즘의 효용성을 입증하기 위해 RC 서보 모터와 포텐션미터로 구성된 2자유도의 인공팔을 제작하여 실험한다. 실험을 통해 인공 팔의 위치는 모터의 회전 관성, 센서의 노이즈 등으로 실제 팔의 위치와 차이가 발생하였다 이 오차를 감소하기 위해 오차값과 오차의 변화값에 근거한 퍼지 PID 제어기를 사용하였고, 이로써 오차가 5도 이내로 감소되었다.

In this paper, an algorithm to classify the 4 motions of arm and a control system to position control the prosthesis are studied. To classify the 4 motions, we use flex sensors which is electrical resistance type sensor that can measure warp of muscle. The flex sensors are attached to the biceps brchii muscle and coracobrachialis muscle and the sensor signals are passed the sensing system. 4 motion of the forearm - flexion and extension, the pronation and supination are classified from this. Also position of forearm is measured from the classified signals. Finally, A two D.O.F prosthesis arm with RC servo-motor is designed to verify the validity of the algorithm. At this time, fuzzy controller is used to reduce the position error by rotary inertia and noise. From the experiment, the position error had occurred within about 5 degree.

키워드

참고문헌

  1. 2004년 보건복지백서, 보건복지부
  2. Kreifeldt, J. 'Signal versus noise characteristics of filtered EMG used as a control source,' IEEE Trans. Biomedical Engineering, Vol. BME -18, pp. 16-22, 1971 https://doi.org/10.1109/TBME.1971.4502784
  3. Stulen, F.B., Luca, C.J., 'Frequency parameters of the myoelectric signal as a measure of muscle conduction velocity,' IEEE Tran. Biomedical Engineering, Vol. BME - 28, pp. 515-523, 1981 https://doi.org/10.1109/TBME.1981.324738
  4. Xiong, F.Q., Shwedyk.Ed., 'Some aspects of nonstationary myoelectric signal processing,' IEEE Trans. Biomedical Engineering, Vol. BME - 34, pp. 166-172, 1987 https://doi.org/10.1109/TBME.1987.326041
  5. Studer, R.M., 'An algorithm for sequential signal estimation and system identification for EMG signals,' IEEE Trans. Biomedical Engineering, Vol. BME-31, No.3, pp. 285-295, 1984 https://doi.org/10.1109/TBME.1984.325267
  6. Markhoul, J.D., 'Linear Prediction: A tutorial review,' Proceedings IEEE, Vol. 63, pp. 561-579, 1975
  7. Atal, B.S., 'Effectiveness of linear prcxliction characteristics of the speech wave for automatic sperker identification and verification,' JASA., Vol. 55, pp. 1304-1312, 1974 https://doi.org/10.1121/1.1914702
  8. Kiryu, T., Saitoh, S., Ishioka, K., 'Inverstigation on parametric analysis of dynamic EMG signals by a musclc-sutrutured simulation model,' IEEE Trans. Biomedical Engineering, Vol. BME - 39, pp. 280-288, 1992
  9. O'Neill. P.A., 'Myoelectric singal characteristics from muscles in residual upper limbs,' IEEE Trans. Rehabilitation Engineering, Vol. 2, No.4, 1994
  10. Sheriff, M.H., 'Effects of load on myoelectric signals : the ARMA representation,' IEEE Trans., Vol. BME - 28, pp. 411-416, 1981
  11. Wirta, R.W., Taylor, D.R., Finley, F.R., 'Pattern recognition arm prostheses : A historical perspective-A final report,' Bull Prothes. Research, pp. 8-35, 1978
  12. Hannaford, B., Lehman, S., 'Short time fourier analysis of the electromyogram : Fast movements and constant constraction,' IEEE Trans. Biomedical Engineering, Vol BME - 33, No. 12, 1987
  13. Troilo, R.J., Moskowizt, G.D., 'Theoretical development of a multichannel time-series myoprocessor for simultaneous limb function detection and muscle force estimation,' IEEE Trans, Biomedical Engineering, Vol. BME - 36, No. 10, pp. 1004-1017, 1989
  14. Park, S., Lee, S., 'EMG Pattern Recognition based on Artificial Intelligence Techniques,' IEEE. Trans. on Rehabilitation Engineering, Vol. 6, No.4, 1998
  15. Kelly, M.F., Parker, P.A, Scott, R.N., 'The application of neural networks to myoelectric signal analysis: A preliminary study,' IEEE Trans Biomedical Engineering, Vol. 37, No.3, pp. 221-230, 1990 https://doi.org/10.1109/10.52324
  16. Ozyilmaz, L., Yilclirim, T., Seker, H., 'EMG Signal Classification Using Conic Section Function Neural Networks,' International Joint Conference on Neural networks, Vol. 5, pp. 3601-3603, 1999
  17. AI-Assaf, Al-Nashash, Y., 'Myoelectric signal segmentation and classification using wavelets based neural networks,' 2001. Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vol. 2, pp. 1820 -1823, 2001