PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02497v1cs.LG

LiteEMG-FM: 강건한 EMG 센싱을 위한 효율적이고 배포 가능한 파운데이션 모델

LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing

근전도(EMG) 신호는 개인, 신체 부위, 측정 세션 및 센싱 하드웨어에 따라 크게 달라지며, 이는 보조 장치 및 인간-컴퓨터 상호작용(HCI)을 위한 모델의 일반화를 제한합니다. 또한 기존의 시계열 파운데이션 모델(foundation model)은 실시간 웨어러블 배포에 연산 비용이 많이 들고, EMG 특유의 시간-주파수 특성을 잘 포착하지 못하는 경우가 많습니다. 본 논문에서는 실용적인 EMG 센싱을 위한 효율적인 하이브리드 CNN-트랜스포머(Transformer) 파운데이션 모델인 LiteEMG-FM을 제시합니다. 16개의 다양한 상·하체 EMG 데이터셋에서 사전학습된 LiteEMG-FM은 사용자와 데이터셋 전반에 걸쳐 일반화되는 표현을 학습합니다. 리소스가 제한된 배포 환경을 위해, 경량 상시 작동(always-on) 1D-CNN이 휴식 상태 및 비목표 활동을 필터링하고 유효한 제스처에 대해서만 LiteEMG-FM을 활성화하는 계층적 웨이크업 아키텍처를 구현합니다. 우리는 완전 추론 오프로딩, 분할 추론, 완전 온디바이스 처리 방식을 평가하여 지연 시간, 전력 소비량, 메모리 사용량 간의 트레이드오프를 규명합니다. 다양한 평가 환경에서 LiteEMG-FM은 최신 시계열 파운데이션 모델 및 지도학습 베이스라인을 능가하며, 특히 캘리브레이션이 없는(zero-calibration) 피험자 간 환경 및 데이터 부족 조건에서 뛰어난 성능을 보입니다. 이러한 결과는 LiteEMG-FM이 EMG 응용 분야에 효과적이고 효율적이며 배포 가능한 파운데이션 모델임을 입증합니다.

arXiv:2607.22779v1cs.LG

의수 제어를 위한 쿼리 기반 트랜스포머를 이용한 멀티모달 표면 EMG 손 제스처 인식

Multimodal Surface EMG Hand Gesture Recognition Using Query-Based Transformers for Prosthetic Control

표면 근전도(sEMG)를 통한 손 제스처 인식은 의수 제어의 기본이다. 이 분야에서 심층 학습 접근법은 사실상 표준이 되었다. 그러나 현재 아키텍처는 확장에 어려움을 겪으며, 손 동작 수가 증가하면 모델 성능은 일반적으로 감소한다. 성능 저하는 확장된 제스처 집합을 디코딩할 때 통계적 복잡도가 증가하는 것과 연관되며, 주로 저지연 단일모달 합성곱 아키텍처에 의존하는 최신 방법들의 한계에 의해 더욱 악화된다. 합성곱은 국소적으로 동작하여 모델이 장거리 순차 패턴을 포착하는 능력을 제한한다. 단일모달 구성은 관성 및 시선 추적 데이터와 같이 동작 실행을 특징짓는 조율된 신호로부터의 상보적 정보를 활용할 수 없다. 이러한 한계는 멀티모달 생리학적 시퀀스 전반에 걸쳐 국소 및 전역 특징을 통합하는 아키텍처를 필요로 한다. 이 격차를 해소하기 위해, 본 연구는 원활한 멀티모달 통합을 위한 end-to-end 하이브리드 합성곱-트랜스포머인 EMG-CrossFormer를 제안한다. EMG-CrossFormer는 계단식 교차 어텐션(cross-attention) 융합 층을 통해 임의 개수의 단일모달 인코더로부터의 표현을 결합하고, 학습 가능한 제스처 쿼리를 사용하여 융합된 표현을 디코딩한다. EMG-CrossFormer는 네 개의 NinaPro 데이터셋(DB2, DB3, DB7, DB10)에서 평가되었으며, 증가하는 모달리티 수를 사용하여 여섯 개의 최신 모델과 벤치마크되었다. sEMG만 사용할 때 EMG-CrossFormer는 DB2, DB3, DB7, DB10에서 각각 평균 정확도 72.33%, 52.48%, 79.16%, 73.49%를 달성했다. 관성 신호를 통합하면 성능이 90.66%, 80.40%, 92.79%, 92.06%로 향상되었다. 이 결과는 국소-전역 특징 모델링이 sEMG 단독 디코딩을 개선하고, 멀티모달 융합이 이러한 이점을 실질적으로 증폭시킨다는 것을 보여주며, 복잡한 손 제스처 인식을 위한 두 설계 원칙 모두의 가치를 강조한다.

arXiv:2409.17340v2cs.RO

EMG 센싱을 통한 Koopman 기반 그립력 예측

Koopman-driven grip force prediction through EMG sensing

뇌졸중이나 다발성 경화증과 같은 질환으로 인한 손 기능 상실은 일상 활동에 상당한 영향을 미친다. 로봇 재활은 손 기능 회복을 위한 도구를 제공하며, 표면 근전도(sEMG)에 기반한 새로운 방법들은 사용자의 상태에 따라 장치의 힘 출력을 조절할 수 있게 하여 재활 결과를 개선한다. 본 연구는 단일 sEMG 센서 쌍을 사용하여 medium wrap grasp(중간 감싸기 파지) 중 정확한 힘 추정을 달성하는 것을 목표로 하며, 정밀한 예측을 위해 센서 요구량이 증가하는 문제를 해결한다. 13명의 피험자에 대해 두 가지 전완 위치에서 sEMG를 측정하였으며, 손 다이나모미터(hand dynamometer)로 결과를 검증하였다. 유연한 신호 처리 단계를 수립하여, 처리된 sEMG 신호(의미 있는 근육 활동을 나타냄)와 그립력 사이에서 높은 피크 상호 상관을 얻었다. 이후 민감도 분석(sensitivity analysis)을 통해 영향력 있는 파라미터를 식별하였다. 새로운 데이터 기반 Koopman 연산자 이론 기반 접근법과 문제 특화 데이터 리프팅(data lifting) 기법을 활용하여, 처리된 sEMG 신호로부터 그립력을 추정하고 단기 예측하는 방법론을 고안하였다. 추정된 그립력에 대해 가중 평균 절대 백분율 오차(wMAPE) 약 5.5%를 달성하였으며, 0.5초 예측 구간(prediction horizon)의 예측에서는 wMAPE 약 17.9%를 얻었다. 이 방법론은 감지 위치가 오차 지표에 미치는 영향이 유의미하지 않아 정밀한 전극 배치에 대해 견고함이 입증되었다. 이 알고리즘은 매우 빠르게 실행되어, 0.5초 분량의 sEMG 신호 배치를 처리·추정·예측하는 데 약 30ms만 소요되므로 실시간 구현을 가능하게 한다.

arXiv:2512.07997v2cs.HC

손목 및 전완부에서의 EMG 및 IMU 기반 제스처 인식 비교 연구

A Comparative Study of EMG- and IMU-based Gesture Recognition at the Wrist and Forearm

제스처는 우리가 환경과 일상적으로 상호작용하는 데 있어 핵심적인 요소이다. 손 제스처 인식(HGR)은 시각 데이터(이미지 및 영상)와 생체 신호 등 다양한 입력 모달리티를 통해 인간의 의도를 해석하는 과정이다. 생체 신호는 팔에 부착된 센서를 통해 비침습적으로 획득할 수 있어 HGR에 널리 활용된다. 그 중에서도 근육의 전기적 활동을 측정하는 표면 근전도(sEMG)가 가장 광범위하게 연구된 모달리티이다. 그러나 관성 측정 장치(IMU)와 같이 상대적으로 덜 탐구된 대안들은 미세한 근육 움직임에 대한 보완적 정보를 제공할 수 있어 제스처 인식에 있어 가치가 있다. 본 연구에서는 서로 다른 근육 그룹에서 획득한 IMU 신호의 사용자 의도 포착 가능성을 조사한다. 실험 결과, IMU 신호는 정적 제스처 인식의 단독 입력 센서로 활용하기에 충분한 정보를 포함하고 있음을 확인하였다. 나아가 서로 다른 근육 그룹을 비교하고 개별 근육 그룹에서의 패턴 인식 품질을 검토하였다. 또한 IMU로 포착되는 힘줄 유발 미세 움직임이 정적 제스처 인식의 주요 기여 요인임을 발견하였다. 우리는 근육 미세 움직임 정보를 활용함으로써 절단 환자를 위한 의수의 사용성을 향상시킬 수 있다고 판단한다. 이 접근 방식은 로보틱스, 원격 조작, 수어 해석 등 다양한 분야에서 손 제스처 인식의 새로운 가능성을 제시한다.

arXiv:2607.03783v1cs.LG

보수적 피험자 불변 EMG 기반 제스처 인식

Conservative Subject Invariant EMG-based Gesture Recognition

표면 근전도(sEMG) 기반 제스처 인식의 교차 피험자 일반화 문제를 해결하기 위해, 적대적 피험자 혼동(그래디언트 역전), 제스처 분류, 트리플릿 메트릭 학습을 공동 최적화하는 멀티헤드 보수적 다목적 학습 프레임워크(CSIN)를 제안한다. Lipschitz 기반 적응적 가중치 메커니즘으로 최적화 안정성을 높였으며, UCI EMG 데이터셋에서 84.48%, NinaPro DB5에서 61.44%의 정확도를 달성해 기존 최신 방법 대비 각각 6.28%p, 49% 상대적 향상을 보였다.

arXiv:2606.29423v1cs.LG

가위바위보 게임에서 근전도를 활용한 시간적 지시적·자발적 제스처 인식

Temporal Posed and Spontaneous Gesture Recognition from Electromyography in the Rock-Paper-Scissors Game

근전도(EMG) 신호가 가위바위보 제스처의 시각적 발현보다 최소 800 ms 앞서 감지됨을 확인하고, 24명 참가자의 지시적·자발적 제스처 인식 정확도를 각각 63.4%, 53.6%로 평가하였다. 나아가 상대방의 EMG로부터 플레이어의 제스처를 예측하는 실험에서 최고 평균 정확도 65%를 달성하여, 상호작용 역동성이 관찰 제스처 정보를 포함함을 시사한다.

arXiv:2603.04840v2eess.AS

An Approach to Simultaneous Acquisition of Real-Time MRI Video, EEG, and Surface EMG for Articulatory, Brain, and Muscle Activity During Speech Production

발화 생성 시 뇌 신호(EEG), 표면 EMG, 실시간 MRI(rtMRI)로 조음 운동을 동시에 기록하는 최초의 멀티모달 취득 방식을 제안하고, MRI 유도 전자기 간섭·심박·근전도 아티팩트 등을 줄이기 위한 삼중 모달 아티팩트 억제 파이프라인을 구현했다. 예비 결과에서 주요 잡음이 상당히 감소했으며, 발화 신경과학과 뇌-컴퓨터 인터페이스(BCI) 연구에 활용될 수 있는 데이터와 소스 코드를 공개했다.