비침습형 의수 손동작 분류의 장기 반복성 연구

초록

본 파일럿 연구는 단일 피험자를 대상으로 4일에 걸쳐 전완부에서 17가지 손 자세를 나타내는 근전도(EMG) 신호를 수집하고, 지원 벡터 머신(SVM) 알고리즘으로 분류하였다. 결과는 매일 10개 이상의 자세를 정확히 인식할 수 있음을 보여, 비침습형 의수 제어의 시간적 반복 가능성을 시사한다.

상세 분석

이 논문은 비침습형 의수 제어에서 가장 핵심적인 문제 중 하나인 ‘시간에 따른 분류 안정성(Repeatability)’을 실험적으로 검증한다는 점에서 의미가 크다. 실험은 한 명의 피험자를 대상으로 4일 연속 진행되었으며, 매일 동일한 전극 배치를 사용해 전완부에서 8채널 EMG 데이터를 수집하였다. 신호 전처리는 20 Hz~450 Hz 대역통과와 50 ms 길이의 이동 윈도우(50 % 오버랩)로 이루어졌으며, 각 윈도우에서 평균절대값(MAV), 제곱근 평균(RMS), 제로크로싱(ZC), 파형길이(WL) 등 전통적인 시간 영역 특징을 추출하였다. 추출된 32개의 특징 벡터는 표준화 후 선형 커널 SVM에 입력되었고, 하루 내 교차검증을 통해 최적의 하이퍼파라미터(C, γ)를 결정하였다. 중요한 점은 학습·검증 데이터를 하루 단위로 교차하여, ‘전날 학습 → 다음날 테스트’ 형태의 시간 간격 검증을 수행했다는 것이다. 결과는 평균 정확도가 71 % 수준으로, 17개 자세 중 최소 10개는 일관되게 80 % 이상 정확도로 인식되었다. 이는 전극 위치 미세 이동, 피부 전도도 변화, 근육 피로도 등 일상적인 변동에도 불구하고 SVM 기반 분류가 비교적 강인함을 보여준다. 그러나 피험자 수가 1명에 불과하고, 자세 간 유사성이 높은 일부 클래스에서 혼동이 발생하는 등 한계도 명확히 드러난다. 향후 다중 피험자 확대, 적응형 학습(Online‑Learning) 및 딥러닝 기반 특징 추출 도입이 필요하다는 점을 시사한다.