Recognizing human motion intentions from the human is very important in human-robot interaction applications to ensure stability. Electromyography (EMG), which measures a muscle’s electrical activity, has the advantage of high-speed synchronous control when applied to the wearable robot because it can speed up motion intention recognition. However, the sEMG signal characteristics are easily changed due to electrode location sensitivity and subject sensitivity. Changes in sEMG signal characteristics require a heuristic calibration for each wear, and it has been difficult to recognize human intention and generate a robot control signal. This thesis proposes a torque estimation method using multi-channel sEMG through the prediction of major muscle activation and aims to apply it to a wearable robot through torque-based motion intention recognition. The proposed method consists of pre-processing for predicting activation of the major muscle using multi-channel sEMG and post-processing for estimating joint torque using the major muscle signal. Prediction of the major muscle activation is a stochastic signal decomposition of the sEMG signal in static contraction motion of 80% MVC force, and the sEMG signal is orthogonally transformed in an uncorrelated state. This muscle signal decomposition model distinguished the major muscle signal for electrode location variation and inter-subject problems. The joint torque estimation model using the major muscle activation signal was made with a time-delay neural network (TDNN) that processes a dynamic time-series signal. To verify the proposed pre-processing model, the joint torque estimation model was used when the electrode location and the subject changed and compared with the basic method without applying the major muscle activation model. For the electrode location variation in an isometric contraction, the torque estimation accuracy was 87%, 55% larger than the basic method. For the inter-subject variation with isometric contraction, the torque estimation accuracy was 86%, 35% larger than the basic method. Verification by ten subjects in isokinetic elbow contraction, the proposed method had an accuracy of 81% when there was an electrode shift, and an error of 1.9% increased than before the shift. This was more robust to electrode shift than the existing multi-channel torque estimation method. The sEMG-based predicting of the major muscle activation showed that the torque estimation accuracy was improved for the electrode location variation and inter-subject variation. The proposed major muscle activation prediction and application overcome the limitations of sEMG-based motion intention recognition and can also be used in wearable robots and human-robot interfaces.
안정성을 보장하기 위해 인간-로봇 상호 작용 애플리케이션에서 인간으로부터 인간의 움직임 의도를 인식하는 것은 매우 중요하다. 근육의 전기적 활동을 측정하는 근전도는 동작의도 인식 속도를 높일 수 있어 웨어러블 로봇에 적용하면 고속 동기제어에서 장점이 있다. 그러나 표면근전도 신호는 전극 위치 및 실험자 민감도로 인해 신호 특성이 쉽게 변경된다. sEMG 신호 특성의 변화는 착용할 때마다 휴리스틱 보정을 필요하게 하며, 이 보정은 사람의 의도를 인지하고 로봇 제어 신호를 생성하는 데 어려움을 자아낸다. 본 논문은 주요 근육 활성화 예측을 통해 다채널 표면 근전도를 이용한 토크 추정 방법을 제안하고 토크 기반 움직임 의도 인식을 통해 웨어러블 로봇에 적용하는 것을 목표로 한다. 제안된 방법은 다채널 표면근전도를 사용하여 주요 근육의 활성화를 예측하는 전처리과정과 주요 근육 신호를 사용하여 관절 토크를 추정하는 후 처리과정으로 구성된다. 주요 근육 활성화의 예측은 80% MVC 힘의 정적 수축 운동에서 근전도 신호의 확률적 신호 분해를 하여 sEMG 신호는 상관관계가 없는 상태로 직교 변환한다. 이 근육 신호 분해는 근전도의 전극 위치 변동과 착용자 변경에 대한 주근육 신호를 구별하기 위해 제안하였다. 시간 지연 신경망(TDNN)을 활용하여 동적 시계열 신호인 주근육 신호로 관절 토크를 추정하는 모델을 구성하였다. 제안한 모델의 검증을 위해 전극 위치와 착용자 변화시 관절 토크 추정 모델은 이전 모델을 사용하고, 주근육 활성화 모델을 적용하지 않은 기존 방법과 비교하였다. 정적 수축 운동에서 전극 위치 변화에 대해서 토크 추정 정확도는 87%로 기존 방법보다 55% 더 컸다. 정적 수축 운동에서 착용자 변화에 대해서 토크 추정 정확도는 86%로 기존 방법보다 35% 더 컸다. 동적 운동에서 10명의 실험자를 통해 검증한 결과, 제안된 방법은 전극 이동이 있을 때 정확도가 81%였고, 전극 이동 전보다 1.9%의 오차가 증가했는데, 이는 기존의 다채널 토크 추정 방법보다 전극 이동에 더 강건한 결과를 보였다. 주요 근육 활성화에 대한 근전도 기반 예측은 토크 추정 정확도가 전극 위치 변동 및 피험자 간 변경에 대해 향상되었음을 보여주었다. 제안된 주요 근육 활성화 예측 및 적용은 근전도 기반 동작 의도 인식의 한계를 극복하고 웨어러블 로봇과 인간 로봇 인터페이스에도 사용할 수 있다.
