김윤성
(Yoon Sung Kim)
1iD
장승완
(Seungwan Jang)
1iD
민세동
(Se Dong Min)
†iD
-
(Dept. of Software Convergence, Soonchunhyang University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Artificial Neural Network, Exoskeleton System, Knee Joint Angle, Physical Human-Robot Interaction, Plantar Pressure
1. 서 론
외골격 로봇에서 요구되는 외골격 시스템은 인간과 로봇 간의 협업 시스템으로써 외골격 로봇이 착용자의 동작 의도를 기반으로 제어되어야 한다(1). 이러한 시스템을 만족시키기 위해서는 외골격 메커니즘 설계, 착용자의 동작 의도를 파악할 수 있는 인간-로봇 인터페이스 및 동작 의도 기반 인간-로봇
협업 제어 기술이 수반되어야 한다(1).
인간-로봇 인터페이스는 외골격 시스템의 제어를 위한 착용자의 동작 의도를 획득하는 시스템이다(2). 사람은 감각기관을 통해 획득한 주변 환경 정보를 기반으로 인체를 동작시키기 위한 인지과정을 거친다(1). 로봇이 착용자의 동작 의도를 획득하기 위해 사용할 수 있는 신호로 인간의 인지과정 중 실행의 결과로 인체 동작으로 로봇과 발생하는 물리적인 상호작용인
pHRI (Physical Human-Robot Interaction)가 있다(3,4).
착용자의 물리적인 변화량을 측정하는 pHRI 기반 시스템의 경우, FSR (Force Sensitive Resistor) Sensor, Load cell,
Encoder, Potentiometer, Torque Sensor 등이 사용된다(5,6). 착용자의 물리적인 변화량을 통해 착용자의 동작 의도를 파악하는 경우, 로봇의 동작 상태를 파악하기 용이하고, 생체 신호보다 신뢰성 있는 신호 획득이
가능하다. 하지만 물리적인 변화량에는 로봇에 의한 간섭이 있어 동작 의도를 온전히 해석하기 어렵고, 동작이 발생하기 전에 동작 의도를 예측하기 어려움이
있다(1).
사용 환경에 제약을 줄이기 위해 외부 환경에서 사용하기 위한 외골격 시스템은 pHRI 기반 시스템을 채택한다(7). pHRI 기반 시스템은 착용자의 동작 의도를 온전히 해석하기 위한 전략이 요구되며, 이와 관련된 연구들이 진행 중이다(8,9). pHRI 기반 시스템의 경우, 모터의 개입이 동반된 물리적 변화량이 측정되어 착용자의 동작 의도를 온전히 해석하기 어렵다는 단점이 있다(8). 착용자의 동작 의도를 온전히 파악하고자 외골격 시스템에는 더 많은 종류의 센서와 제어 전략이 요구된다(7,10). 이는 시장 경제성을 떨어트리는 요인으로 외골격 로봇의 상용화에 어려움으로 작용하고 있다. 이를 해결하고자 비교적 적은 센서와 전략을 통해 간접적인
측정으로 사용자의 동작 의도를 추정하여 구동기를 제어하는 방식이 연구되고 있다(9). 이와 관련하여 착용자의 동작 의도를 파악하는 계측부와 외골격 로봇의 동작 상태를 확인할 수 있는 검출부를 독립적으로 설계한 사례가 있다(9). 외골격 로봇이 직접적인 개입을 하지 않으며, 보행 연구에 활용되는 FSR Senosr를 활용하여 물리적인 변화량인 지면반발력을 통해 착용자의 동작
의도를 파악하며 보행 상태를 판단하는 연구가 많이 진행되고 있다(11,12). 위 시스템과 결합해 지면반발력을 통해 외골격 시스템에서 요구되는 착용자의 동작 의도로 변환하는 시스템에 관한 연구가 필요하다.
보행 패턴을 분석하여 외골격 시스템을 제어하는 경우, 개개인의 보행 특성 및 무릎 관절 각도의 운동 범위, 속도가 달라서 보행 보조를 필요로 하는
사람들에게 적합한 시스템을 설계하기 어렵다(13,14). 기존 연구에서는 착용자의 무릎 관절 각도를 추정하여 외골격 로봇을 제어한다(13,14). 이는 관절 각도를 추정하는 데 필요한 매개변수가 많으며 변수를 측정하기 위해 더 많은 센서가 사용된다는 단점이 있다(13,14).
본 연구에서는 개개인의 보행 특성을 고려하여 무릎 관절 각도를 추정하기 위해 보행에 따른 족저압 및 무릎 관절 각도를 학습한 Artificial Neural
Network(ANN)을 채택하였다. 기존 연구의 여러 수식 및 상황별 매개변수 조정을 통해 도입한 인간-로봇 간 협업 시스템을 대신해 보행 중 동시에
측정된 족저압 및 무릎 관절 각도를 ANN이 학습함으로써 족저압을 통해 무릎 관절 각도를 추정할 수 있는지에 대한 연구를 하였다. 이를 위해 지면반발력을
측정하는 8 채널 FSR Sensor와 착용자의 무릎 관절 각도를 측정하는 앱솔루트 엔코더를 동시에 측정하고자 실시간 계측 시스템을 설계하였다. 성인
남성 10명을 대상으로 보행 실험을 진행하였으며, 실험 데이터를 활용하여 인공신경망을 학습하였다. 각 피험자 10명에 대해 학습된 인공신경망으로부터
추정된 무릎 관절 각도와 실제 무릎 관절 각도를 비교하는 연구를 진행하였다. 족저압을 활용한 보행 관련 연구에서 족저압의 연속적인 변화가 피험자별로
같지 않기 때문에 시계열성과 관련된 특징을 추출한다(12). 다른 시계열성 특징을 학습할 수 있도록 피험자들을 대상으로 보행 속도를 달리 하였으며, 피험자 별로 다른 보행 특성 및 보행 속도에서도 무릎 관절
각도를 추정할 수 있는지에 대한 연구를 진행하였다.
2. 본 론
2.1 족저압 및 무릎 관절 각도 동시 측정 시스템 설계
본 연구에서는 지면반발력에 의한 족저압과 무릎 관절 각도를 동시에 측정할 수 있는 시스템을 제작하였다. 족저압을 측정하기 위해 FSR Sensor로
FSR-402 (Interlink Electronics, USA)를 사용하였고, 무릎 관절 각도를 측정하기 위해 앱솔루트 엔코더로 SME360PM-12PX-Y
(SERA, KOR)를 사용하였다. FSR Sensor는 깔창에 부착하여 신발에 삽입해 사용하였고, 앱솔루트 엔코더를 무릎 관절에 위치시켜 무릎 관절
각도를 측정할 수 있도록 3D 프린터를 이용해 외관을 설계하였다. FSR Sensor와 앱솔루트 엔코더의 데이터를 계측하기 위해 12 bit ADC
(Analog to Digital Converter)가 내장된 EK-TM4C1294XL (Texas Instrument, USA)을 사용하였다. 센서부는
8 채널 FSR Sensor와 양쪽의 앱솔루트 엔코더로 구성되어 있으며, EK-TM4C1294XL을 통해 100 Hz 샘플링 속도로 총 10 채널의
ADC 데이터를 계측한다. 전체 10 채널의 ADC 데이터는 EK-TM4C1294XL에 내장된 버튼을 클릭 시 UART (Universal Asynchronous
Receiver Transmitter) 통신을 통해 PC로 전송되며, PC에서 수신된 UART 데이터를 csv 파일로 저장한다. UART는 데이터
패킷에 저장되는 데이터의 최대 크기가 8 bit이므로, 100 Hz 속도로 120 bit 크기의 데이터를 송신하기 위해 별도의 프로토콜을 사용하였다.
위 시스템의 개요도는 그림 1과 같다.
그림. 1. 족저압 및 무릎 관절 각도 동시 측정 시스템 개요도
Fig. 1. Schematic diagram of simultaneous plantar pressure and knee joint angle measurement
system
2.1.1 족저압 및 무릎 관절 각도 측정 센서
족저압을 측정하기 위해 사용된 FSR Sensor인 FSR-402는 가해지는 힘이 0 ~ 10 kgf일 때, 400 Ω ~ 10 MΩ의 범위를 가진다.
Farah, J. D. 등의 연구에 따르면, 보행의 입각기와 유각기를 구분짓기 위한 충분한 힘의 범위가 10 kgf인 점을 미루어 보아 FSR-402의
성능이 보행에 따른 족저압의 변화를 측정하기 적합하다 판단된다(12). FSR-402를 통해 족저압을 측정하기 위해 그림 2와 같이 회로를 설계하여 ADC를 통해 족저압을 측정하였다. 발앞꿈치와 발뒷꿈치의 족저압을 측정하기 위해 깔창의 발앞꿈치의 안쪽과 바깥쪽 발뒷꿈치의
안쪽과 바깥쪽에 부착하여 한 깔창당 4 채널의 FSR Sensor를 부착하였다. 설계된 깔창을 신발에 내장하여 피험자는 신발을 착용하고 실험을 진행한다.
본 연구에서 사용한 앱솔루트 엔코더는 SME360M- 12PX-Y로 각도에 따라 선형적인 전압(±0.1 % FS)이 출력된다. 영점 위치는 회전축의
D-Cut과 상단 배사홀이 수직이 되도록 설계되어있다. 앱솔루트 엔코더의 회전축과 결합되는 위치의 D-Cut이 상단 배사홀과 수직이 되도록 3D 디자인을
통해 영점 위치를 고정하였다. 3.3 V Vcc에서 동작이 가능하며, 출력 전압을 측정하기 위해 ADC를 사용하였다.
그림. 2. 족저압 측정부 개요도
Fig. 2. Schematic diagram of plantar pressure measurement unit
2.1.2 외골격 측정 기구 외관 설계
족저압 측정은 신발을 착용하고 실험을 진행하지만, 무릎 관절 각도를 측정하기 위해 사용되는 앱솔루트 엔코더는 무릎 관절에 위치할 수 있는 기구가 필요하다.
본 연구에서는 무릎 관절에 앱솔루트 엔코더가 위치할 수 있도록 Inventor(Audodesk, USA)를 사용해 3D 프린터를 설계하여 하지에 착용할
수 있도록 외골격 기구를 설계하였다. 측정 기구는 착용자의 허리에 벨트를 통해 고정되고, 넓적다리와 종아리에 스트랩을 통해 압박하여 고정되도록 설계하였다.
넓적다리와 종아리에 장착하는 외골격은 보호대 형태로 설계하여 넓적다리는 상부 지름 436 ~ 593 mm, 하부 지름 392 ~ 534 mm, 종아리는
상부 지름 219 ~ 329 mm, 하부 지름 204 ~ 306 mm로 조절 가능하다. 설계된 보호대 3D 디자인은 그림 3(a), (b)와 같다.
넓적다리와 종아리의 장착되는 보호대를 체결하고 보행 중 하지에 장착된 보호대가 탈착되지 않도록 기어박스를 통해 허리까지 외골격 기구를 설계하였다.
피험자의 다리 길이에 따라 길이 조절이 되도록 설계하여 무릎 관절에 앱솔루트 엔코더가 위치할 수 있도록 설계하였다. 향후 모터가 추가될 수 있도록
구동부인 기어박스가 제작되었지만, 본 연구에서는 구동부와 관련된 연구를 진행하지 않아 기어박스에서 모터를 제거한 상태로 외골격 기구를 사용하였다.
기어박스는 1:3 기어비를 가지는 두 평기어로 구성하였으며, 두 기어의 지름은 각각 55 mm, 165 mm이다. 앱솔루트 엔코더는 큰 기어의 회전축과
체결되었으며, 앱솔루트 엔코더의 영점과 기어박스의 초기 위치가 항상 일치하도록 무릎이 펴진 상태 기준 앱솔루트 엔코더의 측정값이 180 °가 되도록
설계하였다. 설계된 기어박스 3D 디자인은 그림 3(c)와 같다.
그림. 3. 외골격 외관 3D 디자인
Fig. 3. Design of exoskeleton 3D exterior
설계된 외골격 기구는 그림 4의 (a)와 같다. 외골격 기구는 그림 4의 (b), (c), (d)와 같이 착용한다. 그림 4의 (c)에 표시된 위치에 앱솔루트 엔코더를 고정하였으며, 무릎에 위치할 수 있도록 넓적다리와 종아리 보호대 사이의 길이를 조절하여 피험자들이 착용할 수 있도록
하였다.
그림. 4. 외골격 측정 기구 정면 및 착용
Fig. 4. Exoskeleton measuring instrument front and equipped
2.1.3 데이터 통신
족저압 및 무릎 관절 각도를 측정하기 위해 MCU를 통해 8 채널 FSR Sensor와 2 대의 앱솔루트 엔코더 ADC 데이터가 100 Hz 속도로
계측된다. 계측된 데이터를 PC로 송신해 저장하기 위해 MCU의 UART를 사용하였다. 한 채널은 12 bit 분해능을 가지는 ADC를 통해 계측되므로
UART 통신을 통해 전송할 경우 최소 2 회의 통신이 이뤄저야 한다. 12 bit의 데이터를 8 bit 크기로 압축하여 송신하는 방법이 있지만,
데이터의 손실이 발생하지 않도록 10 채널의 데이터를 압축하지 않고 송신하도록 별도의 프로토콜을 설계하였다. 2 채널의 ADC 데이터를 8 bit
씩 나눠 3 번 전송할 수 있다. FSR Sensor 짝수 채널은 MSB (Most Significant Bit)를 포함한 8 bit와 LSB (Least
Significant Bit)를 포함한 4 bit로 나눴고, FSR Sensor 홀수 채널은 12 bit를 MSB를 포함한 4 bit와 LSB를 포함한
8 bit로 나눴다. 짝수 채널 LSB part 4 bit와 홀수 채널 MSB part 4 bit를 합쳐 8 bit로 취부한다. 이를 통해 12 bit
ADC 데이터를 2개씩 묶어 3 번의 UART 전송이 이뤄진다. 10 채널의 전송이 순차적으로 진행되기 위해, 한 데이터 프레임을 구분하기 위해 STX
(Start of text)와 ETX (End of text)를 2 byte 씩 사용한다. STX는 데이터 프레임의 시작을 의미하고, ETX는 종료를
의미한다. 데이터 특성을 고려해 데이터 구간에서 생성되기 어려운 0xAA, 0x55를 사용하였으며, STX로는 0xAA, 0x55를 사용하고, ETX로는
0x55, 0xAA를 사용하였다. UART 프로토콜은 115,200 Baud Rate, 8 bit 데이터 크기, 1 Stop Bit, Non Parity로
설정하여 그림 5와 같은 데이터 프레임을 전송한다.
그림. 5. UART 프로토콜 데이터 프레임
Fig. 5. UART protocol data frame
MCU로부터 전송된 데이터를 수신하기 위해 PC에서 Python 프로그램을 사용한다. Python의 API인 Serial 모듈을 사용하여 MCU로부터
전송되는 UART 데이터를 수신한다. PC로 전송된 데이터는 MCU에서 데이터 프레임을 만들기 위해 사용된 분할 방법 반대로 합성한다. 3 개씩 수신된
UART 데이터를 나눠 두 번째 데이터를 4 bit씩 나눠 각 첫 번째 데이터와 세 번째 데이터에 합성한다. 이를 통해 12 bit의 데이터로 변환되며
csv 파일로 저장된다.
표 1. 학습에 사용된 PC 성능표
Table 1. Performance table used for training
|
구성 요소
|
사양
|
|
OS
|
Windows 10(64 bit)
|
|
CPU
|
AMD Ryzen 5 3600
|
|
GPU
|
GeForce RTX 2060
|
|
RAM
|
32 GB
|
|
Python
|
3.9.16
|
|
Tensorflow
|
2.11.0
|
|
Keras
|
2.10.0
|
2.1.4 무릎 관절 각도 추정 인공지능 모델
본 연구에서는 무릎 관절 각도를 추정할 수 있도록 지도학습 형태의 인공신경망인 MLP (Multil-Layer Perceptron)를 사용하였다.
모델 개발은 프로그래밍 언어인 Python과 딥러닝 프레임워크 Tensorflow, Keras를 사용하였다. 학습에 사용한 PC의 성능 및 프로그래밍
언어, 프레임워크의 버전은 표 1과 같다.
MLP는 족저압 데이터에 대해 무릎 관절 각도를 학습하는 모델로서 연속형 변수를 사용한다. 본 연구에서 사용된 MLP는 회귀의 목적을 두고 있어 활성
함수로 ReLU와 Linear를 사용하였으며, 손실 함수로 평균제곱오차(Mean Square Error, MSE)를 사용하였다.
입력층으로 사용된 노드는 9 개로 8 채널의 FSR Sensor 데이터와 bias 노드가 이에 해당되며, 51 개 노드를 가지는 2 층의 은닉층과
양쪽 무릎 관절 추정 각도를 출력할 2 개의 노드를 가진 출력층으로 구성되어있다. FSR Sensor 데이터의 raw data를 학습 데이터로 사용하였으며,
양쪽 무릎 관절 각도 데이터를 label로 지정하여 FSR Sensor 데이터에 따라 양쪽 무릎 관절 각도를 추정할 수 있도록 MLP 모델을 설계하였다.
학습 데이터의 특징을 추출하지 않고 raw data를 학습시킴으로써, 족저압 신호에 존재하는 시계열성 특징을 MLP 모델에서 추정할 수 있도록 학습을
진행하였다.
2.2 실험 및 MLP 학습
본 연구에서는 족저압 및 무릎 관절 각도 동시 측정 기구를 이용해 실험을 수행하였다. 계측된 데이터를 활용하여 피험자 별 보행 중 족저압에 따른 무릎
관절 각도를 추정하는 MLP 모델을 학습하였다.
2.2.1 실험 방법
본 연구에서는 족저압 및 무릎 관절 각도 동시 측정을 위해 평균 연령 만 24.0 ± 2.1 세, 성인 10 명의 남성 피험자를 대상으로 실험을 진행하였다.
피험자의 신장, 몸무게, 발 사이즈는 각각 평균 177.3 ± 2.8 cm, 77.9 ± 10.0 kg, 273.0 ± 5.4 mm 이다. FSR
Sensor가 부착된 깔창을 신발에 넣어 착용하고, 개발한 외골격 기구를 착용한 상태로 3분간 트레드밀에서 보행 실험을 진행하였다. 보행 속도는 피험자들의
평소 보행 속도와 동일하게 설정하고자, 실험 진행 전 피험자의 판단하에 트레드밀의 속도를 설정한 후 실험을 진행하였다. 피험자들의 보행 속도는 평균적으로
3.48 ± 0.58 km/h로 진행함으로써 개개인의 보행 속도에 따른 데이터를 확보할 수 있도록 하였다. 온전한 보행 데이터 확보를 위해 실험 시작과
종료 시점의 각 30 초에 데이터를 삭제하고 보행 중인 2 분에 해당하는 12,000 개의 데이터만 사용하였다. 실험 환경은 그림 6과 같다.
그림. 6. 피험자 2, 3의 실험 모습
Fig. 6. Experiments with subjects 2 and 3
2.2.2 데이터 전처리
필터를 통해 계측 과정에서 발생한 잡음을 제거할 수 있도록 이동 평균 필터를 적용하였다. 이동 평균 필터는 윈도우 크기를 지정하여 지정 인덱스 위치의
윈도우 크기만큼 포함된 모든 인덱스 값의 평균을 지정 인덱스의 값으로 계산한다. 이동 평균 필터로 사용된 수식은 식 1과 같다. 본 연구에서는 이동
평균 필터의 윈도우 크기를 10 (N=10)으로 설정하였다.
MLP의 학습 데이터로 사용된 족저압의 경우, 보행 상태에 따라 양발의 데이터가 불균형하게 측정되기도 하며, 결과값인 무릎 관절 각도와도 다른 범위와
분산을 가진다. 일정한 범위에서 분포할 수 있도록 Min-Max 정규화를 사용하였다. Min-Max 정규화는 모든 데이터들에 최솟값을 뺀 후, 전체
범위만큼 나눠주는 방식으로 식 2와 같다.
10 명의 피험자를 대상으로 족저압 및 무릎 관절 각도 동시 측정 기구를 통해 무릎 관절 각도 추정 MLP 모델에 학습시킬 데이터셋을 확보하였다.
확보된 데이터를 활용하여 MLP 모델을 학습 시킬 수 있었다. 확보된 데이터는 이동 평균 필터를 적용해 잡음을 제거하였다.
그림. 7. 양쪽 무릎 관절 각도 데이터 전처리 전/후 그래프
Fig. 7. Graph before/after pre-processing of both knee joint angle data
피험자 10 명의 데이터에 대해 전처리 과정을 진행하였으며, 피험자 1의 양쪽 무릎 관절 각도 원신호(a)와 이동 평균 필터 및 정규화를 적용한 데이터(b)에
대한 그래프는 그림 7과 같다. 그림 7의 그래프는 2 분 동안 확보한 데이터 중 5 초의 데이터를 시각화한 그래프이다.
그림 7과 같이 원신호(a)에 포함되는 잡음을 이동 평균 필터를 통해 제거하였으며, 정규화 처리를 통해 무릎 각도를 실제 각도로 환산하여 실험 데이터를 확인할
수 있었다. 족저압과 각도는 단위와 분포가 다르기 때문에 데이터 전처리 과정을 통해 0과 1 사이의 실수로 변환하여 학습을 진행하였다.
2.2.3 MLP 학습
각 피험자별 2 분의 데이터인 12,000 개의 데이터를 확보하였다. 학습에 사용하는 데이터셋은 총 12,000 개의 데이터 중 8,000 개의 데이터를
사용하며, 테스트에 사용하는 데이터셋은 나머지 4,000 개의 데이터를 사용하였다. 실험을 통해 획득한 데이터는 학습 및 테스트에 필요한 데이터를
연속적으로 동시간에 측정된 특성이 중요하기 때문에 데이터셋을 구분하는 과정에서 셔플을 진행하지 않았으나, 데이터셋을 구분 후 확정된 8,000 개의
학습 데이터를 학습하는 과정에서 셔플을 수행하였다. 보행을 통해 계측된 족저압과 무릎 관절 각도의 경우 단순하고 반복적인 연속형의 데이터이기 때문에
데이터가 순서대로 학습될 시 학습 데이터와 검증 데이터의 차이가 없어 교차 검증의 효과를 줄여 과적합을 발생할 수 있다. 8,000 개의 학습 데이터
중 2,400 개의 데이터를 검증 데이터로 사용해 교차 검증을 진행하였다. 가중치 학습을 위해 학습을 평가하도록 MSE 함수를 사용하였으며, 최적화로
Adam 함수를 사용하였다. 학습에 사용된 하이퍼파라미터의 값은 표 2와 같다. MLP 모델의 학습 성능을 평가하기 위해 Loss Function Curve를 그림 8과 같이 출력하였다.
표 2. 학습에 사용된 하이퍼파라미터
Table 2. Hyperparameters used for training
|
하이퍼파라미터
|
값
|
|
학습데이터와 검증데이터의 비율
|
7 : 3
|
|
손실함수
|
MSE
|
|
최적화
|
Adam
|
|
Epoch
|
100
|
|
Batch Size
|
30
|
그림. 8. 피험자 별 MLP 모델 loss function curve 그래프
Fig. 8. Graph of MLP Model Loss Function Curve by Subject
2.3 실험 결과
학습이 끝난 모델에 대하여 학습에 사용하지 않은 각 피험자 4,000 개의 데이터를 활용해 실제값과 추정값을 비교하였다. 그림 9는 피험자 1의 무릎 관절 각도 데이터 실제값과 MLP의 추정값을 비교하기 위해 5 초의 데이터를 시각화한 그래프이다.
그림. 9. 양쪽 무릎 관절 각도 실제값과 추정값 그래프
Fig. 9. Graph of both knee joint angle actual and estimated values
그래프로 확인되는 바와 같이 실제값과 유사한 계형을 보이고 있으며, 데이터의 분포 및 범위 또한 유사한 점을 확인할 수 있다. 피험자 10명의 추정값을
그래프로 확인한 결과, 보행 중 입각기에서 유각기로 넘어가 무릎을 피는 시점에 무릎 관절 각도의 기울기가 달랐으나, 유각기에서 입각기로 넘어가 무릎을
굽히는 시점의 기울기가 유사하였다. 성능 비교를 위해 회귀 유형 MLP의 평가 지표로 사용되는 RMSE(Root Mean Square Error),
R-Squared(R2 Score), Adjusted R-Squared(Adj. R2 Score)를 사용하였다. 피험자 10명에 대해 비교한 성능
지표 결과표는 표 3과 같다. 각 피험자 10명에 대하여 평균적으로 RMSE는 6.0139 ± 1.1395, R2 Score는 0.9306 ± 0.0235, Adj.
R2 Score는 0.9303 ± 0.0235의 성능을 보였다.
표 3. 각 피험자별 MLP 성능 지표 결과표
Table 3. MLP performance result table for each subject
|
피험자
|
RMSE
|
R2 socre
|
Adj. R2 socre
|
|
1
|
5.2339
|
0.9283
|
0.9281
|
|
2
|
4.9456
|
0.9181
|
0.9179
|
|
3
|
5.3047
|
0.8882
|
0.8879
|
|
4
|
6.2945
|
0.9141
|
0.9138
|
|
5
|
5.9873
|
0.9444
|
0.9442
|
|
6
|
4.3525
|
0.9571
|
0.9570
|
|
7
|
7.0418
|
0.9353
|
0.9351
|
|
8
|
6.6424
|
0.9627
|
0.9626
|
|
9
|
6.0551
|
0.9485
|
0.9484
|
|
10
|
8.2816
|
0.9090
|
0.9088
|
|
평균
|
6.0139
± 1.1395
|
0.9306
± 0.0235
|
0.9303
± 0.0235
|
RMSE 지표는 모델의 오차를 직관적으로 해석할 수 있는 장점이 있다. 이를 통해 학습된 MLP 모델은 약 6.0 °의 오차를 보였다 해석할 수 있다.
R2 Score는 회귀 모델에서 많이 사용되는 성능 지표로 1에 가까운 결과를 보일 시 모델의 성능이 우수하다고 평가되는 성능 지표이다. 각 피험자
별 학습된 모델의 R2 Score 지표는 1에 가까웠으며, 평균적으로 약 0.93의 결과를 보여 1에 가까운 성능을 보였다. R2 Score는 종속변수와
관련 없는 독립변수가 늘어남에 따라 값이 증가할 수 있기 때문에 독립변수로 인해 발생할 수 있는 오차를 수정한 Adj. R2 Score의 평가 지표를
활용하였다(15). Adj. R2 Score 지표는 1에 가까웠으며, 평균적으로 약 0.93의 결과를 보였다.
3. 고찰 및 결론
본 연구에서는 pHRI 신호인 보행 중 발생하는 지면반발력의 변화를 통해 착용자의 동작 의도를 파악할 수 있는 무릎 관절 각도 추정에 관한 연구를
진행하였다. 무릎 관절 각도를 추정하기 위한 족저압 기반 MLP 알고리즘을 제안하였으며, 높은 정확도의 성능을 볼 수 있었다. 평균적으로 실제값과
추정값 사이에 약 6.0 °의 오차가 발생하였으며, 보행 중 입각기에서 유각기로 넘어가는 시점에서 오차가 발생하였다. 이를 통해 R2 Score와
Adj. R2 Score지표에서 1에 가까운 성능을 보였다. 족저압 및 무릎 관절 각도의 경우 하지를 통한 반복 운동에 의해 발생하므로 균일한 분포
및 분산을 가진다는 점에서 여러 평가 지표에서 높은 성능을 보였다고 사료된다.
pHRI 기반 시스템에 관한 연구에서 우려되는 착용자 별 동작 의도 파악을 해결하기 위해 착용자 별로 조정되어야 하는 기존 알고리즘 방식이 아닌 인공신경망
알고리즘을 사용하였다. 인공신경망 알고리즘은 학습 환경을 설정하고 데이터를 학습하는 과정에서 기존 알고리즘 방식보다 착용자에 최적화된 인터페이스를
제공할 수 있다고 사료된다. 알고리즘 형식의 기존 연구에서 요구되는 다양한 센서 및 매개 변수를 대신해 인공신경망이 전처리된 신호를 학습함으로써 높은
정확도를 보였다. 본 연구를 통해 적은 센서와 MLP를 통해 무릎 관절 각도를 추정할 수 있다는 결과를 보였으며, 이는 피험자 별 일상 생활의 보행
속도와 동일한 속도로 데이터를 수집하였고, 서로 다른 보행 속도의 데이터가 학습되어도 각 피험자 별 인공신경망에서는 높은 정확도를 보였다. 본 연구의
결과를 통해 무릎 관절 각도를 추정하기 위한 MLP 모델의 성능을 높게 평가할 수 있었고, 향후 외골격 로봇의 착용자 동작 의도를 파악하기 위한 인간-로봇
인터페이스로서 사용할 수 있을 것으로 사료된다.
Acknowledgements
This research was supported by Basic Science Research Program through the National
Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF-2018R1D1A1B07050037).
This work was funded by BK21 FOUR (Fostering Outstanding Universities for Research)
(No.: 5199990914048)
References
H. D. Lee, C. S. Han, 2014, Technical trend of the lower limb exoskeleton system for
the performance enhancement, Journal of institute of control robotics and systems,
Vol. 20, No. 3, pp. 364-371
Won-Gyeong. Song, 2016, Technological Trends in Rehabilitation Robots, Information
and Communications Magazine, Vol. 33, No. 8, pp. 10-18
Rocon, E., 2008, Human-robot physical interaction, Wearable robots: Biomechatronic
exoskeletons, pp. 127-163
Bueno, L., 2008, Human-robot cognitive interaction, Wearable robots: Biomechatronic
exoskeletons, Vol. 1, pp. 87-126
A. Quintero Hugo, J. Farris Ryan, Goldfarb Michael, 2012, A method for the autonomous
control of lower limb exoskeletons for persons with paraplegia, Journal of medical
devices, Vol. 6, No. 4
Samer Mohammed, Amirat Yacine, Rifai Hala, 2012, Lower-limb movement assistance through
wearable robots: State of the art and challenges, Advanced Robotics, Vol. 26, pp.
1-22
Romain Baud, 2021, Review of control strategies for lower-limb exoskeletons to assist
gait, Journal of NeuroEngineering and Rehabilitation, Vol. 18, No. 1, pp. 1-34
Conor James Walsh, Endo Ken, 2007, A quasi-passive leg exoskeleton for load-carrying
augmentation, International Journal of Humanoid Robotics, Vol. 4, No. 03, pp. 487-506
H. Kazerooni, R. Steger, 2006 , The Berkeley lower extremity exoskeleton, pp. 14-25
Bing Chen, 2019, Knee exoskeletons for gait rehabilitation and human performance augmentation:
A state-of-the-art, Mechanism and Machine Theory, Vol. 134, pp. 499-511
Hee-young Kim, 2014, Human Gait-Phase Classification to Control a Lower Extremity
Exoskeleton Robot, The Journal of Korea Information and Communications Society, Vol.
39, No. 7, pp. 479-490
Ji Su Park, 2020, Gait phase detection using force sensing resistors, IEEE Sensors
Journal, Vol. 20, No. 12, pp. 6516-6523
S. N. Yu, 2012, Design of an under-actuated exoskeleton system for walking assist
while load carrying, Advanced Robotics, Vol. 26, No. 5-6, pp. 561-580
W. S. Kim, 2013, Development of a lower extremity exoskeleton system for walking assistance
while load carrying, Nature-Inspired Mobile Robotics, pp. 35-42
Jeremy Miles, 2005, R‐squared, adjusted R‐squared, Encyclopedia of statistics in behavioral
science
저자소개
He received the B.S. degree in Medical IT engineering from Soonchunhyang University,
Korea, in 2020.
he received the M.S. degree in Software Convergence Soonchunhyang University.
E-mail : wooil720@naver.com
He received the B.S. degree in Medical IT engineering from Soonchunhyang University,
Korea, in 2020.
he currently the Integrative Program degree in Software Convergence Soonchunhyang
University.
E-mail : seungwanjang93@gmail.com
He received the M.S. and Ph.D. degrees in electrical and electronic engineering from
the Department of Electrical and Electronics Engineering, Yonsei University, Seoul,
in 2004 and 2010, respectively.
He is currently an Associate Professor at the Department of Medical IT Engineering,
Soonchunhyang University, Asan, Korea.
His research area includes biomedical signal processing, healthcare sensor application,
and mobile healthcare technologies.
E-mail : sedongmin@sch.ac.kr