• Journal of the Institute of Convergence Signal Processing
• /
• v.24 no.1
• /
• pp.51-56
• /
• 2023

This study investigates the effect of sEMG sampling frequency on CNN learning performance at Korean finger number recognition application. Since the bigger sampling frequency of sEMG signals generates bigger size of input data and takes longer CNN's learning time. It makes making real-time system implementation more difficult and more costly. Thus, there might be appropriate sampling frequency when collecting sEMG signals. To this end, this work choose five different sampling frequencies which are 1,024Hz, 512Hz, 256Hz, 128Hz and 64Hz and investigates CNN learning performance with sEMG data taken at each sampling frequency. The comparative study shows that all CNN recognized Korean finger number one to five at the accuracy of 100% and CNN with sEMG signals collected at 256Hz sampling frequency takes the shortest learning time to reach the epoch at which korean finger number gestures are recognized at the accuracy of 100%.

• Journal of Biomedical Engineering Research
• /
• v.22 no.2
• /
• pp.171-178
• /
• 2001

본 연구에서는 강건 시지연추정 알고리즘을 바탕으로 하여 표면근전도 신호로부터 새로운 근섬유 전도속도 측정방법을 제안하였다. 제시한 방법은 가우시안 가정 하에서 유도된 기존의 방법들로는 불가능한 비가우시안 충격성잡음을 포함하는 표면근전도 신호를 대상으로도 정확하게 근섬유 전도속도를 측정할 수 있다. 제시한 방법의 평가를 위하여 먼저, 마미총 증후군에 걸린 근질환자의 근전도 신호가 비가우시안 $\alpha$-stable 확률분포로 모델링할 수 있음을 보였으며, 정상인과 근질환자 6명의 피검자로부터 족저단신근과 내측광근에서 각각 근전도 신호를 수집하여 실험한 근섬유 전도속도 측정결과를 타 연구자들과 비교, 평가하였다. 실험결과, 족저단신근의 경우 근섬유 전도속도가 평균 4.60$\pm$0.50m/s로 내측광근의 경우 5.66$\pm$0.59m/s로 각각 구할 수 있었다.

• Proceedings of the KIEE Conference
• /
• 2002.07d
• /
• pp.2687-2689
• /
• 2002

본 연구는 환자의 근육 상태를 표면 근전도(EMG, Electrocardiogram)를 통해 정량적으로 평가한 결과를 기반으로 적응 전기치료를 수행 시, 근전도 정량평가에 영향을 주는 심전도 신호를 독립요소 해석(ICA, Independent Component Analysis)을 이용하여 획득된 신호로부터 분리함으로써, 정확한 근전도 정량평가를 할 수 있도록 하는 것을 목적으로 한다. 실험 방법은 소스(source)를 근전도와 심전도 2개로 가정하고, 4 채널을 통하여 획득된 신호를 10 Hz-500 Hz의 대역통과 필터를 이용하여 필터링한 후, 1000 sample/sec로 샘플링하여 센서로 사용하였으며, JADE(Joint Approximate Diagonalization of Eigen-matrices) 알고리즘을 통하여 근전도 신호와 심전도 신호를 분리하였다. 알고리즘의 permutation ambiguity와 scaling ambiguity 특성 문제를 해결하기 위하여, 분리된 신호의 주파수 분석을 통하여 심전도와 근전도 신호로 구분하였으며, 인식된 근전도 신호의 크기를 센서 신호를 기준으로 복원하였다. 결론적으로 아날로그 및 디지털 필터와 달리 근전도의 신호의 왜곡을 극소화하면서도 심전도 신호를 분리해 냄으로써, 근전도를 통한 근육상태의 효과적인 평가가 가능하게 되었다.

• Journal of the Korea Academia-Industrial cooperation Society
• /
• v.19 no.8
• /
• pp.260-267
• /
• 2018

Surface electromyography (sEMG) is mainly used as an on/off switch in the early stage of the study and was then expanded to navigational control of powered-wheelchairs and recognition of sign language or finger gestures. There are difficulties in communication between people who know and do not know sign language; therefore, many efforts have been made to recognize sign language or finger gestures. Recently, use of sEMG signals to recognize sign language signals have been investigated; however, most studies of this topic conducted to date have focused on Chinese finger number gestures. Since sign language and finger gestures vary among regions, Korean- and Chinese-finger number gestures differ from each other. Accordingly, the recognition performance of Korean finger number gestures based on sEMG signals can be severely degraded if the same muscles are specified as for Chinese finger number gestures. However, few studies of Korean finger number gestures based on sEMG signals have been conducted. Thus, this study was conducted to identify potential forearm muscles from which to collect sEMG signals for Korean finger number gestures. To accomplish this, six Korean finger number gestures from number zero to five were investigated to determine the usefulness of the proposed muscles and electrode placements by showing that CNN technique based on sEMG signal after sufficient learning recognizes six Korean finger number gestures in accuracy of 100%.

• Journal of the Institute of Electronics Engineers of Korea SC
• /
• v.46 no.6
• /
• pp.38-43
• /
• 2009

We provide a method to infer finger flexing motions using a 4-channel surface electromyogram (sEMG). Surface EMGs are harmless to the human body and easily acquired. However, they do not reflect the activity of specific nerves or muscles, unlike invasive EMGs. On the other hand, the non-invasive type is difficult to use for discriminating various motions while using only a small number of electrodes. Surface EMG data in this study were obtained from four electrodes placed around the forearm. The motions were the flexion of the thumb, index, middle, ring, and little linger. One subject was trained with these motions and another left was untrained. The maximum likelihood estimation was used to infer the finger motion. Experimental results have showed that this method could be useful for recognizing finger motions. The average accuracy was as high as 95%.

• Proceedings of the KIEE Conference
• /
• 2008.10b
• /
• pp.480-481
• /
• 2008

본 논문은 U-Health 장치 인터페이싱을 위하여 표면 근전도를 이용한 손동작 특징들의 모델링 알고리즘에 대하여 제안하였다. 지금까지 연구에서는 표면 근전도를 측정하기 위하여 전완의 여러 부위에서 신호를 측정하였지만 휴대용 U-Health 장치들의 특성상 센서를 부착 할 수 있는 공간이 한정 되어있기 때문에 한 채널당 손동작의 인식률이 높아야하고 착용하기 편한 위치예서 신호를 측정해야 한다. 따라서 본 논문에서는 손목 근처의 수지신근(finger extensor)과 소지신근(extensor digiti minimi) 사이에 생체신호 센서를 부착하는 것을 제안했으며, 적은 수의 센서에서도 손동작에 따른 충분한 근전도 패턴을 구분해 내기 위하여 3차원 공간상에서 시간과 스케일 정보를 분석할 수 있는 다해상도 웨이블릿을 이용하였다. 정밀한 근전도 분석을 위하여 모 웨이블릿을 신경 신호의 활동전위(action potential)와 가장 유사한 형태를 가지고 있는 Daubechies 4 (db4)로 선택하였고, 이렇게 웨이블릿 분석을 통하여 1차원 신호를 16레벨로 나누어 각 신호에 대하여 에너지를 200 ms 간격으로 평가함으로서 7가지 손동작 인식을 위한 패턴 모델을 구하였다.

• Physical Therapy Korea
• /
• v.10 no.4
• /
• pp.95-103
• /
• 2003

본 연구는 초기 편마비 환자의 손목에서 표면근전도 분석을 통해 근수축 개시 및 종료의 특성들을 알아보고, 임상적인 치료방법의 기초를 제안하고자 실시하였다. 연구대상자는 원주기독병원에 뇌졸중으로 입원한 환자 중 발병 후 3개월 미만인 13명과 원주시에 거주하는 대조군 7명이었다. 근수축 개시 및 종료의 지연은 표면근전도를 이용하여 손목굽힘근과 손목펴짐근에서 손목관절의 굽힘과 폄동작 시 3초의 근전도 신호음에 따라 가장 빠르고 강하게 최대 등척성 수축과 이완을 하여 신호를 수집하였다. 그 결과 편마비 환자의 환측은 건측과 대조군에 비해 손목관절 굽힘과 폄동작에서 근수축 개시및 종료가 유의하게 지연되었으며, 개시보다 종료가 더 유의하게 지연되었다. 따라서 초기 뇌졸중 환자의 근약화는 근육의 개시 및 종료의 반응시간 지연에 영향을 준다고 볼 수 있다. 앞으로 운동조절과 연관되어 기능적인 회복을 유도할 수 있는 근수축의 민첩성 훈련과 근섬유 동원의 효율성을 증진시키기 위한 치료방법들이 연구되어야 할 것이다.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.14 no.5
• /
• pp.1009-1018
• /
• 2019

This paper describes the design and implementation of a rehabilitation medical device based on a EMG measurement. Rehabilitation systems are controlled using BLDC motors and motor drives. The BLDC motor drive controls the operation and the speed controls the drive through the external servo motor. In addition, potentiometer coupled to the outside of the motor transmits information about the position of the load being rotated by the motor. The rehabilitation algorithm is controlled by limiting the maximum angle of 0 to 120 by utilizing the motor according to the user setting stage during the rehabilitation exercise. The walking algorithm compensates motor control for the low leg of the signal using the difference value of the signal obtained with the surface denser attached to both inner muscles. The motor and surface denser are utilized for the walk motion to control the maximum angle of 0 to 80.

• Physical Therapy Korea
• /
• v.8 no.4
• /
• pp.31-43
• /
• 2001

19명의 건강한 성인 남자의 우세팔쪽 위팔두갈래근에서 피로가 생길 때까지 2.4초를 하나의 주기로 팔꿉을 반복적 등장성으로 굽히고 펴서 표면근전도 신호를 얻었다. 처리과정 A 중앙주파수(MDF )는 이 신호의 0.5초 구간을 power spectrum analy sis (PSA)로 계산하였는데 상당량의 잡음이 있었다. 중앙주파수의 잡음 양을 비교하기 위해, 동일한 표면근전도에서 3번까지 신호를 받았다 (2.4초 구간을 PSA로 계산한 처리과정 B, 13 point 로 moving averages한 처리과정 C, digital low pass filter한 처리과정 D). 그리고 나서 그 신호의 주요 주파수 성분을 뽑아내었다. 위의 중앙주파수 자료와 시간간의 회귀직선을 분석하면 초기 중앙주파수, 회귀기울기, 그리고 피로지수와 같은 모수를 얻을 수 있다. 비모수 검정의 하나인 Kendall 기법으로 네 개의 처리과정간의 모수를 비교하였다. 통계결과 잡음이 처리과정 A보다 B, C, D에서 적었고, D에서 가장 적게 나타났다. 중앙주파수를 digital low pass로 여과(filtering)함으로써 앞으로 있게 될 동적 운동 시 근피로 모니터기의 신뢰도를 높일 수 있다.

• Journal of rehabilitation welfare engineering & assistive technology
• /
• v.6 no.1
• /
• pp.67-73
• /
• 2012

In this paper, Artificial Neural Network(ANN) based motion classification algorithm is proposed to classify wrist motions using surface electromyograms(sEMG). surface EMGs are obtained from two electrodes placed on the flexor carpi ulnaris muscle and extensor carpi ulnaris muscle of 26 subjects under no strain condition during wrist motions and used to recognize wrist motions such as up, down, left, right, and rest. Feature is extracted from obtained EMG signals in time domain for fast processing and used to classify wrist motions using ANN. DAMV, DASDV, MAV, and RMS were used as features and accuracies of motion classification based on ANN were 98.03% for DAMV, 97.97% for DASDV, 96.95% for MAV, 96.82% for RMS.