초음파 기반 마이크로 손동작 인식 시스템

본 논문은 인간‑컴퓨터 인터랙션(HCI) 분야에서 마이크로 손동작, 즉 손가락 단위의 미세 움직임을 인식하기 위한 새로운 시스템을 제안한다. 기존의 RGB·깊이 카메라, 적외선, Wi‑Fi, RF 레이더 등은 조명·전파 대역폭·전력 소모 등의 제약으로 마이크로 동작을 정확히 구분하기 어렵다. 이를 해결하고자 저주파(300 kHz) 초음파를 이용한 활성 센싱 방식을 채택했으며, ‘Hand‑Ultrasonic‑Gesture(HUG)’라는 이름의 프로토타입을 구현하였다. 시스템 설계는 크게 세 부분으로 구성된다. 첫 번째는 초음파 전송·수신 하드웨어로, Murata MA300D1‑1 트랜시버와 FPGA 기반 DAC/ADC를 사용해 20 kHz 대역폭의 chirp 펄스를 12회 반복(PRI 600 µs)하여 발사한다. 초음파는 손바닥·손가락 표면에서 반사되고, 수신된 신호는 I/Q 복조와 저역통과 후 디지털화된다. 두 번째는 신호 처리 단계로, fast‑time 샘플링을 통해 거리 정보를, slow‑time FFT를 통해 도플러(속도) 정보를 추출한다. 이렇게 얻어진 256 × 180 크기의 거리‑도플러 이미지가 매 프레임 생성되며, 시간 축을 따라 스택하면 (range, Doppler, time) 3차원 데이터 큐브가 된다. 세 번째는 패턴 인식 단계이다. 저자들은 먼저 ‘상태 전이 기반 은닉 마르코프 모델(HMM)’을 설계했다. 거리‑도플러 이미지에서 피크(스캐터링 포인트)를 검출하고, 각 피크의 강도·속도·이동 방향을 기반으로 정적·동적 상태를 정의한다. 인접 프레임 간 피크 간 거리와 방향을 비교해 동일 손가락의 연속적인 움직임을 추적하고, 잡음은 강도 임계값과 트래킹 로직으로 제거한다. 이렇게 압축된 가변 길이 상태 시퀀스를 HMM에 입력하면, 제스처마다 전이 확률과 방출 확률을 학습해 확률적 분류를 수행한다. 실험 결과, 7가지 마이크로 제스처(버튼 클릭, 회전, 눌림 등)에서 89.38 %의 정확도를 달성했으며, 연산량이 적어 저전력 디바이스에 적합했다. 정확도 향상을 위해 저자들은 또한 종단‑대응 딥러닝 모델을 도입했다. 3차원 거리‑도플러 시퀀스를 직접 입력으로 받아 2‑D CNN으로 공간 특징을 추출하고, LSTM으로 시간적 연속성을 모델링한다. 이 모델은 96.34 %의 최고 정확도를 기록했으며, HMM 대비 복잡한 제스처 구분에 유리함을 보였다. 다만 학습·추론에 필요한 연산량이 증가하므로, 실시간 임베디드 구현 시 경량화가 필요하다. 시스템 검증을 위해 저자들은 실시간 프로토타입을 제작하고, 음악 재생 제어와 같은 HCI 시나리오를 시연했다. 데이터 전송은 Ethernet을 통해 PC로 이루어졌으며, 전체 지연은 50 ms 이하로 인간‑기계 인터랙션에 충분히 빠른 것으로 확인되었다. 전력 측면에서는 초음파 트랜시버와 디지털 처리 모듈만으로 수십 mW 수준의 소모를 기록했으며, 이는 웨어러블·휴대형 디바이스에 적용하기에 적합한 수준이다. 관련 연구와 비교했을 때, 본 시스템은 초음파의 저속 전파 특성을 활용해 거리‑도플러 해상도를 크게 향상시켰다. Google Soli가 60 GHz 전파를 사용해 약 2 cm 수준의 거리 해상도를 제공하는 반면, HUG는 300 kHz 초음파로 <1 cm의 거리 해상도와 <0.1 m/s의 속도 해상도를 달성한다. 또한, 초음파는 빛·전파와 달리 조명·날씨에 영향을 받지 않아 실내·외 다양한 환경에서 안정적인 동작이 가능하다. 결론적으로, 이 논문은 초음파 기반 거리‑도플러 영상이 마이크로 손동작 인식에 제공할 수 있는 고해상도 물리적 정보를 효과적으로 활용하는 방법을 제시한다. HMM을 통한 특징 압축·경량 모델링과 딥러닝을 통한 정확도 극대화라는 두 축을 동시에 탐구함으로써, 저전력·고정밀·실시간 요구를 모두 만족하는 HCI 솔루션을 구현했다. 향후 연구에서는 다채널 초음파 어레이를 도입해 3‑D 위치 추적을 확장하거나, 온‑디바이스 추론을 위한 경량 신경망 압축 기술을 적용해 완전 임베디드 형태로 전환하는 방향이 기대된다.