직관적인 의수 제어를 위한 EMG 신호의 기계 학습 기반 특징 추출 및 분류

신호는 다양한 패턴, 진폭 및 주파수를 통해 정보를 전달함으로써 과학, 기술 및 커뮤니케이션에서 근본적인 역할을 합니다. 이 논문은 팔 움직임을 제어하기 위해 근육 활동을 디코딩할 수 있는 인공지능 시스템을 개발하기 위한 전기근육도(EMG) 신호 처리 혁신 방법론을 소개합니다. 본 연구는 GRABMyo 데이터 세트를 사용하여 고급 신호 처리 기술과 기계 학습 분류 알고리즘을 조사하며, 의수 제어 시스템과 재활 기술 향상을 목표로 합니다. 신호 필터링 및 이산 웨이블릿 변환(DWT)을 포함한 신호 처리 기술에 대한 종합적인 분석이 수행되었으며, 평균 절대값(MAV), 파형 길이(WL), 제로 교차(ZC), 기울기 부호 변화(SSC), Root Mean Square(RMS), 향상된 파형 길이(EWL), 향상된 평균 절대값(EMAV)으로 구성된 복합 특징 집합과 함께 진행되었습니다. 이러한 특징들은 차원 축소를 위한 선형 판별 분석(LDA)을 통해 정제되었으며, 서포트 벡터 머신(SVM) 알고리즘을 사용하여 분류되었습니다. 신호 필터링과 DWT는 신호 품질을 개선하여 더 나은 특징 추출을 용이하게 하였으며, 다양한 특징 집합은 분류 정확도를 향상시켰습니다. LDA는 가장 유용한 특징을 분리하여 정확도를 추가로 높였으며, SVM은 복잡한 EMG 패턴을 디코딩하는 데 최적의 성능을 발휘했습니다. K-최근접 이웃(KNN), 나이브 베이즈(NB) 및 SVM을 포함한 기계 학습 모델이 평가되었으며, SVM이 다른 모델보다 우수한 성능을 보였습니다. 이러한 결과의 중요성은 의수 제어 시스템과 재활 기술에 대한 잠재적 응용 프로그램에 있습니다. 근육 활동을 정확하게 디코딩함으로써, 개발된 시스템은 더 직관적이고 반응적인 로봇 팔 움직임을 용이하게 하여, 의수 장치가 필요한 개인이나 재활 중인 개인을 위한 혁신적인 솔루션 발전에 기여하며, 사용자의 삶의 질을 향상시킵니다. 이 연구는 EMG 분석 분야에서 고급 신호 처리 및 기계 학습의 통합에 있어 중요한 진전을 나타냅니다.