경량 신경망을 위한 sEMG 특징 추출 파이프라인

초록

본 연구는 8채널 표면근전도(sEMG) 신호로 팔꿈치·어깨 관절 토크를 예측하기 위한 특징 추출 파이프라인을 제안한다. 전처리·시간·주파수·시간‑주파수 특징을 결합하고 PCA와 히스토리 스태킹을 적용한 후, 가벼운 다층 퍼셉트론(MLP)과 Temporal Convolutional Network(TCN)에 통합하였다. 단일 피험자·3가지 부하·2가지 동작 데이터를 사용한 오프라인 실험에서 MLP는 RMSE 0.96 Nm(팔꿈치), 1.40 Nm(전면 어깨), 1.43 Nm(측면 어깨)를 달성했으며, TCN과 성능이 동등하였다. 제한된 학습 데이터 환경에서도 경량 모델이 충분히 정확함을 보여준다.

상세 분석

이 논문은 재활 로봇에서 실시간 관절 토크 추정에 필요한 데이터 양과 연산 복잡도를 최소화하려는 목표 아래, sEMG 신호의 효율적인 특징 추출 방식을 체계적으로 설계하였다. 먼저 500 Hz로 샘플링된 8채널 EMG에 대해 15 Hz–225 Hz 대역통과 Butterworth 필터와 변동 기반 필터를 적용해 잡음을 억제하고 신호의 진폭 변동을 부드럽게 했다. 이후 두 가지 정규화 방식을 비교했는데, 전역 정규화와 부하·동작별 정규화가 각각 데이터 스케일링에 미치는 영향을 실험적으로 검증하였다. 전기기계적 지연(d)을 고려한 2차 차분식(α·e(t‑d)+β₁·p(t‑1)+β₂·p(t‑2))을 통해 근육 활성도를 추정함으로써 EMG와 실제 근력 사이의 비선형 관계를 보정하였다. 100 ms 길이, 50 % 겹침의 슬라이딩 윈도우를 사용해 시간적 연속성을 유지하면서, RMS, WL, SSC와 같은 시간 영역 특징을 추출하고, 멀티테이퍼 PSD 기반 밴드 파워를 통해 주파수 영역 정보를 보강하였다. 특히 50 Hz~226 Hz 구간을 25 Hz 간격으로 설정한 Morlet 웨이블릿 변환을 적용해 시간‑주파수 특징을 추가함으로써 비정상적인 EMG 변화를 효과적으로 포착했다. 추출된 다차원 특징은 표준화 후 PCA로 차원을 축소하고, 동일 부하·동작 조건 내에서 히스토리 스태킹을 수행해 모델이 과거 윈도우 정보를 활용하도록 설계하였다. 마지막으로 범주형 변수(부하·동작)를 원‑핫 인코딩하여 모델 입력에 포함시켰다. 이러한 전처리·특징 설계 파이프라인을 MLP와 TCN에 각각 적용했을 때, MLP는 평균 RMSE 0.96 Nm(팔꿈치), 1.40 Nm(전면 어깨), 1.43 Nm(측면 어깨)를 기록했으며, TCN이 보인 성능과 통계적으로 차이가 없었다. 이는 복잡한 시계열 모델 없이도 충분히 높은 예측 정확도를 달성할 수 있음을 의미한다. 그러나 실험이 단일 건강인 피험자에 국한됐으며, 정적 평형 가정에 기반한 토크 계산, 부하·동작의 제한된 조합, 그리고 오프라인 평가에 머물렀다는 점은 일반화 가능성을 저해한다. 향후 다인·다관절·동적 환경에서의 실시간 검증이 필요하다.