[논문 리뷰] Inexpensive surface electromyography sleeve with consistent electrode placement enables dexterous and stable prosthetic control through deep learning

Jacob A. George, Anna Neibling외 2명|arXiv (Cornell University)|2020. 02. 28.

Muscle activation and electromyography studies참고 문헌 8인용 수 13

한 줄 요약

이 논문은 자연적인 피부 표지로 된 고정된 전극 배치를 통해 일관된 위치를 보장하는 저비용 32전극 표면 EMG 슬리브를 제안한다. 딥 러닝(74층 네트워크)을 사용하여 263일 동안 안정적이고 동시에 비례 제어가 가능한 6도의 자유도를 실현하였으며, 시간이 지남에 따라 수집된 대규모이고 일관된 데이터셋 덕분에 기민함이 크게 향상되었다.

ABSTRACT

The dexterity of conventional myoelectric prostheses is limited in part by the small datasets used to train the control algorithms. Variations in surface electrode positioning make it difficult to collect consistent data and to estimate motor intent reliably over time. To address these challenges, we developed an inexpensive, easy-to-don sleeve that can record robust and repeatable surface electromyography from 32 embedded monopolar electrodes. Embedded grommets are used to consistently align the sleeve with natural skin markings (e.g., moles, freckles, scars). The sleeve can be manufactured in a few hours for less than $60. Data from seven intact participants show the sleeve provides a signal-to-noise ratio of 14, a don-time under 11 seconds, and sub-centimeter precision for electrode placement. Furthermore, in a case study with one intact participant, we use the sleeve to demonstrate that neural networks can provide simultaneous and proportional control of six degrees of freedom, even 263 days after initial algorithm training. We also highlight that consistent recordings, accumulated over time to establish a large dataset, significantly improve dexterity. These results suggest that deep learning with a 74-layer neural network can substantially improve the dexterity and stability of myoelectric prosthetic control, and that deep-learning techniques can be readily instantiated and further validated through inexpensive sleeves/sockets with consistent recording locations.

연구 동기 및 목표

• 작은 크기와 일관성 없는 학습 데이터셋으로 인해 발생하는 전기적 의수의 기민함 부족 문제를 해결하기 위해.
• 세션 간 전극 이격 문제로 인한 신호 일관성과 제어 신뢰성 저하 문제를 해결하기 위해.
• 해부학적 표지로 반복 가능한 전극 위치를 보장하는 저비용이고 사용이 쉬운 EMG 슬리브를 개발하기 위해.
• 반복적이고 장기적인 EMG 데이터 수집이 안정적이고 고기민도를 갖춘 깊이 학습 기반의 의수 제어 모델을 구축하는 데 기여함을 입증하기 위해.

제안 방법

• 32개의 단극 표면 EMG 전극를 포함한 맞춤형 슬리브는 도안 실과 천을 사용하여 제작되었으며, 고정된 피부 표지(예: 잔혹, 흉터)에 대응하는 고정장치(grommets)를 내장하였다.
• 지속적인 해부학적 특징에 고정장치를 정렬함으로써 사용자 간 및 세션 간 전극 위치를 표준화하여 세션 간 변동성을 최소화하였다.
• 사용 가능한 자재와 단순한 제작 기술을 사용하여 3시간 이내, 60달러 이하로 슬리브를 제작하였다.
• 슬리브에서 수집한 EMG 데이터를 기반으로 74층의 딥 신경망을 학습시켜 6도의 자유도를 위한 동시에 비례 제어 신호를 해독하였다.
• 실시간 EMG 신호 처리를 통해 근육 활동을 최소 지연으로 다관절 의수 운동으로 매핑하는 시스템을 운영하였다.
• 한 명의 참가자와 263일 간의 종단적 데이터 수집을 통해 장기간에 걸친 모델의 안정성과 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 반복 가능한 전극 위치를 보장하는 저비용의 착용형 EMG 슬리브가 여러 세션에 걸쳐 신뢰성 있고 반복 가능한 표면 EMG 기록을 가능하게 하는가?
• RQ2 시간이 지남에 따라 일관된 EMG 데이터 수집이 의수 제어에서 깊이 학습 모델의 성능을 크게 향상시키는가?
• RQ3 이러한 데이터로 학습된 딥 신경망이 전기적 의수에서 6도의 자유도에 대해 안정적이고 동시에 비례 제어를 달성할 수 있는가?
• RQ4 이 슬리브의 신호 대 잡음비와 전극 위치 정밀도는 전통적인 EMG 설정과 비교해 어떻게 되는가?
• RQ5 초기 훈련 이후 263일 간의 장기간 동안 시스템이 높은 기민도와 제어 안정성을 유지할 수 있는가?

주요 결과

• EMG 슬리브는 14의 신호 대 잡음비를 기록하여 고품질의 표면 EMG 기록을 확보하였다.
• 전극 위치 정밀도는 1cm 미만이었으며, 세션 간 일관된 전극 위치를 보장하였다.
• 슬리브 착용 시간은 11초 미만이었으며, 신속하고 반복 가능한 준비가 가능하였다.
• 시스템은 초기 훈련 이후 263일 동안 6도의 자유도에 대해 안정적이고 동시에 비례 제어를 구현하였다.
• 반복적이고 일관된 위치 기반의 장기적 데이터 수집이 깊이 학습 기반 제어 시스템의 기민도를 크게 향상시켰다.
• 74층 신경망은 높은 신뢰성으로 표면 EMG 신호로부터 복잡한 다관절 의수 운동을 효과적으로 해독하였다.