[논문 리뷰] Feature Analysis for Classification of Physical Actions using surface EMG Data

Anish C. Turlapaty, Balakrishna Gokaraju|arXiv (Cornell University)|2018. 11. 09.

Muscle activation and electromyography studies참고 문헌 36인용 수 41

한 줄 요약

이 논문은 다중채널 표면 EMG 신호를 사용하여 신체 운동을 분류하기 위한 새로운 특징 공 ing 프레임워크를 제안하며, 분류 정확도를 향상시키기 위해 수정된 스펙트럼 모멘트 비율/곱과 채널 간 상관관계 특징을 도입한다. 37개의 선택된 특징을 사용한 확률적 신경망(PNN)을 적용하여 92.75%의 정확도와 0.924의 Cohen’s kappa를 달성하였으며, 기준 모델을 능가하고 SVM 수준의 높은 성능을 보이며 계산 비용을 감소시켰다.

ABSTRACT

Based on recent health statistics, there are several thousands of people with limb disability and gait disorders that require a medical assistance. A robot assisted rehabilitation therapy can help them recover and return to a normal life. In this scenario, a successful methodology is to use the EMG signal based information to control the support robotics. For this mechanism to function properly, the EMG signal from the muscles has to be sensed and then the biological motor intention has to be decoded and finally the resulting information has to be communicated to the controller of the robot. An accurate detection of the motor intention requires a pattern recognition based categorical identification. Hence in this paper, we propose an improved classification framework by identification of the relevant features that drive the pattern recognition algorithm. Major contributions include a set of modified spectral moment based features and another relevant inter-channel correlation feature that contribute to an improved classification performance. Next, we conducted a sensitivity analysis of the classification algorithm to different EMG channels. Finally, the classifier performance is compared to that of the other state-of the art algorithms

연구 동기 및 목표

• 다중채널 sEMG 신호로부터의 신체 운동 분류 정확도를 향상시키기 위해 고도화된 특징 공 ing 기법을 적용한다.
• 패턴 인식 성능 향상을 위해 수정된 스펙트럼 모멘트 비율/곱과 채널 간 상관관계 특징을 포함한 새로운 특징을 식별하고 통합한다.
• 다양한 EMG 채널이 분류 성능에 미치는 민감도를 평가하고, 운동 분류에 가장 관련성이 높은 채널을 규명한다.
• sEMG 기반 운동 인식 환경에서 PNN 분류기의 성능을 다중 클래스 SVM과 비교한다.
• 재활로봇 분야에서 상지 외골격의 실시간 제어에 적합한 강건하고 저비용 계산 프레임워크를 확립한다.

제안 방법

• 시간 도메인 통계, 채널 간 상호상관관계, Burg 알고리즘을 통한 스펙트럼 밴드 파wr, 그리고 국소 이진 패턴(LBP) 특징을 포함한 8개의 sEMG 채널에서 총 276개의 특징을 추출하였다.
• EMG 신호 내에서 분류 가능한 패턴을 더 잘 포착하기 위해 수정된 스펙트럼 모멘트 비율 및 곱을 고빈도 도메인 특징으로 제안하였다.
• 채널 간 상관관계 특징(ICS)을 도입하여 채널 간 종속성을 모델링하고 분류의 강건성을 향상시켰다.
• 분류 성능 최적화를 위해 276개 후보 특징 중에서 가장 관련성이 높은 37개 특징을 선별하기 위해 순차적 전진 선택(SFS)을 적용하였다.
• 분류기로 확률적 신경망(PNN)을 사용하였으며, 다중 카테고리 운동 데이터셋을 10겹 교차검증으로 훈련 및 검증하였다.
• 동일한 특징 집합을 사용하여 다중 클래스 SVM(다항식 커널)과의 성능 비교를 통해 PNN의 강건성과 효율성을 검증하였다.

실험 결과

연구 질문

• RQ1 기존 특징에 비해 수정된 스펙트럼 모멘트 비율 및 곱이 sEMG 신호로부터 신체 운동 분류 성능을 유의미하게 향상시키는가?
• RQ2 채널 간 상관관계 특징의 포함 여부가 sEMG 기반 운동 분류 성능에 어떤 영향을 미치는가?
• RQ3 어느 sEMG 채널이 신체 운동 분류 정확도에 가장 기여하는가?
• RQ4 PNN 분류기가 커널 기반의 SVM보다 유사하거나 뛰어난 성능을 달성하면서도 더 낮은 계산 부담을 유발하는가?
• RQ5 제안된 특징 집합은 특히 유사한 동작(예: 앞발차기와 옆발차기) 간 오분류를 어느 정도 감소시키는가?

주요 결과

• 제안된 수정된 스펙트럼 모멘트 비율 및 곱(LMF)을 포함시킴으로써 기준 특징 집합 대비 Cohen’s Kappa 계수는 9% 향상되었다.
• 채널 간 상관관계 특징(ICS)만을 추가해도 Kappa 점수는 4% 향상되어 채널 간 동적 특성을 포착하는 데의 가치를 입증하였다.
• LMF와 ICS 특징을 병합 사용함으로써 총 11.75% 향상된 Kappa를 기록하여 최종적으로 Kappa 0.924와 정확도 92.75%를 달성하였다.
• 혼동 행렬 분석 결과, 정상적인 동작은 높은 정확도로 분류되었으며(예: 60회의 시험 중 58~60회 정확), 공격적인 동작은 약간의 오분류가 있었고, 특히 앞발차기(클래스 19)와 옆발차기(클래스 12) 간에 16건의 오분류 패tern이 관찰되었다.
• PNN 분류기는 92.75%의 정확도와 0.924의 Kappa를 기록하였으며, SVM의 91.5% 정확도와 0.91의 Kappa에 근접한 성능를 보였지만 계산 비용은 더 낮았다.
• 상지의 EMG 채널가 운동 분류에 가장 관련성이 높은 것으로 밝혀져 상지 운동의 운동 의도를 인코딩하는 데서 주도적인 역할을 한다는 점을 시사하였다.