[논문 리뷰] Functional Variable Selection for EMG-based Control of a Robotic Hand Prosthetic

Nazmul Islam, Jonathan D. Stallings외 4명|arXiv (Cornell University)|2018. 05. 08.

EEG and Brain-Computer Interfaces참고 문헌 2인용 수 3

한 줄 요약

이 논문은 현재 지부 위치에 따라 변하는 이변량 계수 함수를 통해 생체역학적 제약 조건을 통합하면서도, 과거의 EMG 신호를 기능적 예측변수로 사용하여 로봇 손 보철물의 손가락 및 손목 속도를 예측하는 기능적 가변 계수 모델을 제안한다. 주요 기여는 예측 정확도가 높고 거짓 양성률이 극히 낮은 실시간 해석 가능한 보철물 제어를 가능하게 하는 이중 단계 기능적 변수 선택 절차인 SAFE-gLASSO 방법이다.

ABSTRACT

State-of-the-art robotic hand prosthetics generate finger and wrist movement through pattern recognition (PR) algorithms using features of forearm electromyogram (EMG) signals, but re- quires extensive training and is prone to poor predictions for conditions outside the training data (Peerdeman et al., 2011; Scheme et al., 2010). We propose a novel approach to develop a dynamic robotic limb by utilizing the recent history of EMG signals in a model that accounts for physiological features of hand movement which are ignored by PR algorithms. We do this by viewing EMG signals as functional covariates and develop a functional linear model that quantifies the effect of the EMG signals on finger/wrist velocity through a bivariate coefficient function that is allowed to vary with current finger/wrist position. The model is made par- simonious and interpretable through a two-step variable selection procedure, called Sequential Adaptive Functional Empirical group LASSO (SAFE-gLASSO). Numerical studies show excel- lent selection and prediction properties of SAFE-gLASSO compared to popular alternatives. For our motivating dataset, the method correctly identifies the few EMG signals that are known to be important for an able-bodied subject with negligible false positives and the model can be directly implemented in a robotic prosthetic.

연구 동기 및 목표

• 팔의 전기근육활동도(EMG) 신호의 시간적 동역학을 활용하여 로봇 손 보철물의 보다 직관적이고 정확한 제어 시스템을 개발하기 위해.
• 기존의 패턴 인식 방법이 생리학적 제약 조건을 忽略하고, 과적합 문제를 겪으며, EMG 데이터를 요약 특성으로 단순화한다는 점을 해결하기 위해.
• 현재 지부 위치에 따라 EMG 신호의 영향력이 달라지는 것을 고려한 단순하고 해석 가능한 모델을 구축하기 위해.
• 거짓 양성률이 낮은 가장 관련성이 높은 EMG 신호를 식별하는 새로운 변수 선택 방법인 SAFE-gLASSO를 개발하기 위해.
• 최소한의 후처리를 통해 모델을 실시간으로 직접 보철물 제어 시스템에 구현할 수 있도록 하기 위해.

제안 방법

• EMG 신호를 기능적 공변량으로 모델링하고, 현재 손가락/손목 위치에 따라 달라지는 계수 함수를 가진 가변 계수 기능선형 모델을 사용하기 위해.
• 복잡한 비선형 관계를 포착하기 위해 풍부한 기저 전개의 텐서 곱을 사용하여 이변량 계수 함수를 표현하기 위해.
• 기능적 계수를 추정하면서 모델의 단순성(파라미터 수를 줄임)을 유지하기 위해 다차원 스무딩과 희박성 페널티를 병합 적용하기 위해.
• 예측 기여도를 기반으로 EMG 신호의 그룹을 우선순위 정렬하는 순차적 적응 기능적 실증 그룹 LASSO(SAFE-gLASSO) 절차를 개발하기 위해.
• 예측 성능 평가 및 모델 일반화 능력 검증을 위해 데이터 분할 기법을 사용하기 위해.
• 정규화 추정의 조정 파rameter를 선택하기 위해 교차검증을 사용하여 적합성과 희박성 사이의 최적 균형 확보하기 위해.

실험 결과

연구 질문

• RQ1 생체역학적 제약 조건을 통합한 기능적 가변 계수 모델이 EMG 기반 로봇 보철물 제어에서 예측 정확도를 향상시킬 수 있는가?
• RQ2 EMG 신호가 스칼라 예측변수가 아니라 연속적이고 고차원적인 곡선일 경우, 기능적 변수 선택을 어떻게 효과적으로 수행할 수 있는가?
• RQ3 SAFE-gLASSO 방법이 표준 그룹 LASSO 및 기타 변수 선택 기법보다 참으로 관련성이 높은 EMG 신호를 더 낮은 거짓 양성률로 식별하는 데 뛰어난가?
• RQ4 기능적 예측변수가 측정 오차 또는 희소 그리드에서 관측될 경우 모델의 예측 성능가 얼마나 견고한가?
• RQ5 선택된 EMG 신호와 추정된 기능적 계수 함수를 실시간 보철물 제어 시스템에 직접 구현할 수 있는가?

주요 결과

• SAFE-gLASSO는 능력 있는 성인에서 손가락 및 손목 운동에 필수적인 몇몇 EMG 신호를 거의 거짓 양성 없이 성공적으로 식별하였다.
• 추정된 기능적 계수 함수는 상대적으로 희박하고 해석 가능했으며, 근육 활동과 관절 운동 간의 알려진 생리학적 관계를 반영하고 있었다.
• 수치 실험에서 표준 선택 방법보다 뛰어난 예측 성능을 보였으며, 모델의 정확도가 높았다.
• 기능적 예측변수가 노이즈가 있거나 희소한 데이터에서 추정되더라도 변수 선택 정확도가 유지되어 측정 오차에 대한 강건성을 입증하였다.
• 최종 모델는 실시간 예측을 위해 최소한의 데이터 전처리를 요구하여, 로봇 보철물 제어 시스템에 직접 구현하기에 적합하였다.
• 이 방법은 다변량 기능적 계수로 확장 가능하며, EMG 영향력이 자세에 따라 달라지는 것을 고려한 변형에도 적용 가능하다.