[논문 리뷰] A wearable electromyography-based hand gesture recognition system with real-time on-board incremental learning and classification

Ali Moin, Andy Zhou외 12명|arXiv (Cornell University)|2019. 01. 02.

Ferroelectric and Negative Capacitance Devices인용 수 1

한 줄 요약

이 논문은 뇌에 영감을 받은 초차원 계산을 사용하여 실시간 내장형 점진적 학습이 가능한 웨어러블 EMG 기반 손동작 인식 시스템을 제안한다. 이는 근육 수축 수준의 변동성에 대해 강건성을 확보하며, 수축 수준 간의 정확도 저하를 39.17%에서 적응 후 30.35%로 회복시킨다. 이로써 강건성과 다수준 수축 수준 인식이 가능해진다.

ABSTRACT

Varying contraction levels of muscles is a big challenge in electromyography-based gesture recognition. Some use cases require the classifier to be robust against varying force changes, while others demand to distinguish between different effort levels of performing the same gesture. We use brain-inspired hyperdimensional computing paradigm to build classification models that are both robust to these variations and able to recognize multiple contraction levels. Experimental results on 5 subjects performing 9 gestures with 3 effort levels show up to 39.17% accuracy drop when training and testing across different effort levels, with up to 30.35% recovery after applying our algorithm.

연구 동기 및 목표

• EMG 기반 손동작 인식에서 근육 수축 수준의 변동성이 분류기 성능에 악영향을 미치는 문제를 해결한다.
• 동일한 동작 내에서 명확한 동작과 다양한 수축 수준을 모두 인식할 수 있는 시스템을 개발한다.
• 외부 재학습이나 클라우드 처리에 의존하지 않고 웨어러블 기기에서 실시간으로 적응 가능한 시스템을 구현한다.
• 기존 분류기 대비 다양한 힘 수준에서 테스트할 때 모델의 강건성을 향상시킨다.

제안 방법

• 뇌에 영감을 받은 초차원 계산(HDC) 기반의 파라다임을 활용하여 EMG 신호를 고차원 벡터로 인코딩하여 강건한 표현을 확보한다.
• 새로운 데이터가 도착함에 따라 실시간으로 분류기를 업데이트하는 내장형 점진적 학습 메커니즘을 설계한다.
• 바인딩 및 슈퍼포지션과 같은 벡터 연산을 사용하여 동작과 수축 수준을 동시에 학습하고 분류한다.
• 웨어러블 임베디드 시스템에 적합한 경량이고 저전력의 분류 파이프라인을 구현한다.
• 초기 설정 시 여러 수축 수준에서 모델을 훈련하고, 배포 중에 분포 이탈을 처리하기 위해 점진적으로 적응시킨다.
• 완전 재학습 없이도 정확도를 향상시키기 위해 오류 피드백 메커니즘을 적용한다.

실험 결과

연구 질문

• RQ1 초차원 계산이 EMG 분류기에 다양한 근육 수축 수준에서의 테스트에도 강건성을 유지하도록 할 수 있는가?
• RQ2 내장형 점진적 학습이 실시간 웨어러블 시스템에서 힘의 변동으로 인한 성능 저하를 어느 정도 줄일 수 있는가?
• RQ3 하나의 모델이 별도의 훈련 없이 동시에 동작과 수축 수준을 인식할 수 있는가?
• RQ4 배포 중 다양한 힘 수준 간 전환 시 제안된 시스템이 높은 정확도를 유지하는 데 얼마나 효과적인가?

주요 결과

• 기존 모델을 사용할 경우, 다양한 수축 수준 간 훈련 및 테스트 시 정확도 저하가 39.17% 발생했다.
• 제안된 점진적 학습 알고리즘을 적용한 후, 손실된 정확도의 30.35%를 복구하여 강건성이 크게 향상되었다.
• 초차원 계산 프레임워크 덕분에 외부 재학습이나 클라우드 의존 없이 실시간 내장형 적응이 가능했다.
• 시스템은 3개의 다른 수축 수준에서 수행된 9개의 구분 가능한 손동작을 성공적으로 구분했다.
• 점진적 학습 메커니즘이 배포 중 새로운 수축 수준에 모델이 매우 낮은 지연으로 적응할 수 있도록 했다.
• 본 연구에서 모든 5명의 참가자에게서 일관된 성능 향상이 관찰되어 강력한 일반화 능력을 입증했다.