Journal of Institute of Control, Robotics and Systems (2011) 17(10):1014-1020 http://dx.doi.org/10.5302/j.icros.2011.17.10.1014 ISSN:1976-5622 eissn:2233-4335 손가락동작과힘추정시스템 Motion and Force Estimation System of Human Fingers 이동철, 최영진 * (Dong Chul Lee 1 and Youngjin Choi 2 ) 1 Daewoo Shipbuilding & Marine Engineering Co., LTD. 2 Hanyang University Abstract: This presents a motion and force estimation system of human fingers by using an Electromyography (EMG) sensor module and a data glove system to be proposed in this paper. Both EMG sensor module and data glove system are developed in such a way to minimize the number of hardware filters in acquiring the signals as well as to reduce their sizes for the wearable. Since the onset of EMG precedes the onset of actual finger movement by dozens to hundreds milliseconds, we show that it is possible to predict the pattern of finger movement before actual movement by using the suggested system. Also, we are to suggest how to estimate the grasping force of hand based on the relationship between RMS taken EMG signal and the applied load. Finally we show the effectiveness of the suggested estimation system through several experiments. Keywords: EMG (Electromyography), data-glove system, hand pattern prediction, relation between force and EMG I. 서론최근인간의생체신호에대한관심이높아지면서인간의몸에서발생하는생체신호처리와응용에대한연구가활발히진행되고있다 [1-14]. 인간의몸에서발생하는생체신호는다양하다. 눈동자의움직임을유발하면서생성되는 EOG (ElectroOculoGram 안전도 ), 심장박동과관련된 ECG (ElectroCardioGram 심전도 ), 사람의두뇌와관련된 EEG (ElectroEncephaloGram 뇌전도 ) 그리고근육의움직임과관련하여생성되는 EMG (ElectroMyoGram 근전도 ) 가대표적이며이중에서 EMG 신호에관한연구가가장활발하다. 근전도는인체의움직임시근육표면으로부터근섬유를따라일어나는전기적신호를의미한다. 표면근전도신호의크기는수십 ~ 수백μV정도이며주파수범위는 12 ~ 500Hz로알려져있다. 근전도신호는재활의학분야에서는활동의어려움이있는신체절단환자나노인과같은근육계통의문제가있는경우의사람들의치료나의수 / 의족과같은로봇의제어신호로도적용되고있다. Cavallaro는 Hill 근육모델을사용하여마이크로프로세서를개발하였다 [1]. 또한 Bitzer와 Nishikawa 는손의동작패턴을근전도신호의학습을통한방법을이용하여의수를개발하였다 [2,3]. 미국미시간대학의 Powered Lower Limb Orthosis는근전도신호를이용하여환자의재활을목적으로연구되었으며 [4] 독일의베를린대학에서또한근전도를이용하여다리보조근력기구인 Powered Leg Exoskeleton을개발하였다. 미국 Rehabilitation Institute of Chicago에서개발된근전도기반의수는팔의절단환자의기 * 책임저자 (Corresponding Author) 논문접수 : 2011. 7. 4., 수정 : 2011. 7. 25., 채택확정 : 2011. 8. 1. 이동철 : 대우조선해양중앙연구소로봇 R&D (ldc@dsme.co.kr) 최영진 : 한양대학교 ERICA 캠퍼스전자시스템공학 (cyj@hanyang.ac.kr) 이논문은교육과학기술부의재원으로한국연구재단의중견연구자지원사업 (No. 2008-0061778) 과지식경제부의전략기술인력양성사업및정보통신연구진흥원의자율주행기술연구센터지원사업에의하여수행되었음. 능을대신하는로봇의수로만들어졌으며제어신호를근전도신호만을사용하고있다. 사용된근육은절단된팔의신경을가슴부위의근육에이식하여학습을통한제어방법을사용하게된다. 중국하얼빈대학의 Hirzinger와 Zhao는 AR (Parametric Autoregressive) 모델과 LM (Levenberg-Marquardt) 기반의신경망을이용하여동작을통한표면근전도신호의패턴분류방법을제시했다 [5]. 또한근전도신호에서측정된 IAV (Integral Absolute Value), 분산, 영교차점과같은특징점을추출하여근전도신호의패턴을인식하는방법을제안하였다 [6]. 근전도신호로부터사용자의의도를정확히파악하기위해 D. Graupe은근전도신호를정상적인시계열신호의연속으로모델링하여인식하려는시도를하였다 [7]. R.W. Wirta 는판별함수를이용하여근전도신호를분류하였다 [8]. Saridis 는영교차율과분산등의확률적변수를이용하여각동작기능에해당하는변수들을 2차원평면상에일정영역으로표시하여학습형선형분리기를이용하여동작패턴분리를시도하였으나일정오차의한계를극복하지못하였다 [9,10]. Doerschuk는자기상관함수와상호상관함수를이용한동작패턴분리방법을제안하였으나사용전극의수가너무많고여러동작을동시에처리해야하므로로봇의수제어에는적합하지못한것으로알려져있다 [11]. Graupe는근전도신호를자기회귀모델과같은안정된시계열로모델링하여얻어진매개변수를바탕으로미리정해진동작에대하여기준이되는파라미터와의비교를통해동작을분류하였다 [12,13,14]. 본논문에서는생체신호연구분야중하나인근전도신호의처리방법을제시하고응용시스템을제안한다. 기존의근전도센서모듈과차별화된설계과정으로보다단순하면서도정확한신호를획득하는센서보드개발과정을소개하고그성능을평가한다. 또한하드웨어를통한아날로그필터를최소한으로사용하고소프트웨어를통한디지털필터를사용한신호처리방법을제안한다. 첫째본논문은손가 Copyright ICROS 2011
손가락동작과힘추정시스템 1015 락의움직임을관장하는근육에서발생하는근전도신호를획득및추출하는방법을제시한다. 둘째손가락관절각을기계적으로측정할수있는 Flex Sensor ( 제조사 : Sensor Products Inc.) 를사용하여데이터글러브시스템을개발한다. 셋째생체신호인근전도가기계신호인데이터글러브신호보다시간적으로앞섬을실험적으로확인하고실제손가락움직임을사전에예측할수있는가능성을보이고자한다. 넷째개발된두시스템을이용하여부하변화에따른근전도변화를수학식으로제안하고이를손가락에가해지는임의의부하를예측하는데활용하는것을본연구의목적으로한다. II. 근전도센서모듈과데이터글러브의개발 1. 근전도센서모듈의개발근전도신호를측정하기위하여본연구에서는근전도센서모듈을개발하였다. 그림 1은본논문에서사용한근전도센서모듈의블록다이어그램을표시하고있다. 근육신호는 Bipolar 스냅전극을통하여피부에서획득하게된다. 측정근육마다차이는있지만수십 ~ 수백μV사이의신호를획득하고근전도신호를 Passive High Pass Filter를통하여 DC성분을제거한다. DC성분이제거된근전도신호를 10000배증폭하여 Maximum ±10V Level의신호로증폭한다. 마지막단계로증폭된신호의레벨을원하는진폭레벨로필요시조정가능하도록 Level Shift 기능을추가하였다. 그림 2 는본연구에서개발된 1채널근전도센서모듈이다. 이모듈들을이용하여다축의근전도신호를측정할수있다. 2. 데이터글러브개발데이터글러브의하드웨어는크게두부분으로나눌수있다. 첫째손가락의움직임변화에따른동작정보를획득하여데이터화한다. 둘째 ZigBee 프로토콜을사용한무선데이터전송을한다. 그림 3은데이터글러브의블록다이어그램이다. 손가락의굽힘정보를기계적으로측정할수있는 Flex 센서를이용하여손가락의굽힘정도에따라각도정보를나타내는신호로변환하게된다. Flex 센서로부터발생한정보는아날로그신호이며 DSP를이용하여디지털신호로변환하게된다. 10bit 분해능의 ADC를가지고있는 DSP를사용하였다. 많은실험 그림 1. 개발된근전도센서모듈블록다이어그램. Fig. 1. Block diagram of the developed EMG sensor module. 그림 3. 데이터글러브계통도. Fig. 3. Schematic diagram of the developed data glove. 그림 4. 개발된데이터글러브시스템의모습. Fig. 4. Appearance of the developed data glove system. 을통해 DSP에서의 ADC 값이손가락각도와근사적으로선형관계를갖는것을확인할수있었으며, 선형성을기반으로 DSP에서얻어진손가락각도정보는 ZigBee 무선통신모듈을이용하여 PC로전송하게된다. 이를통해개발된데이터글러브는손가락의각도정보를확인할수있다. 그림 4는개발된데이터글러브의외관모습이다. 글로브안쪽의손가락마디사이에는 Flex Sensor가삽입되어있다. DSP와 Zigbee 모듈을결합하여하나의통합모듈로개발되었다. 센서에영향을주지않도록손등에위치해있으며 DC 5V의배터리로구동이된다. 기존에개발된데이터글로브보다단순한형태를가지며손가락의동작정보를빠르게측정이가능하다. 앞에서언급되었듯이 Flex Sensor는얇고유연하며손가락이구부러지는동작범위안에서의센서값은선형성이보장된다. Zigbee 모듈의통신속도는 115200[bps] 로설정되어있으며 MaxStream 사의상용 Zigbee 모듈인 XBee PRO 모듈이데이터글러브의개발에활용되었다. 원격서버 PC에서받은데이터는모니터링될수있도록 Matlab과 Visual C++ 을이용하여개발되었다. 그림 2. 1 채널근전도센서모듈. Fig. 2. 1-CH EMG sensor module. III. 근전도신호기반동작및힘추정방법 1. 근육선정사람의손은여러근육들의유기적인조합으로이루어져있다. II 장에서개발된근전도센서모듈과데이터글러브를이용하여인간의손가락동작을예측하기위해서는각손가
1016 이동철, 최영진 그림 5. 외적인손가락굽힘근과폄근 [16]. Fig. 5. Extrinsic digital flexors and extensors [16]. 표 1. 외적인손가락굽힘근과폄근의종류 [16]. Table 1. Extrinsic digital flexors and extensors [16]. 1 2 3 4 5 Extrinsic Digital Flexors. Flexor digitorum superficialis(fds) Flexor digitorum profundus(fdp) Flexor pollicis longus(fpl) Extensor digitorum(ed) Extensor digiti minimi(edm) 6 Extrinsic Extensor indicis(ei) Digital Extensor pollicis 7 Extensor. longus(epl) 8 9 Extensor pollicis brevis(epb) Abductor pollicis longus(apl) 얕은손가락굽힘근깊은손가락굽힘근긴엄지손가락굽힘근 손가락폄근 새끼손가락폄근집게손가락폄근긴엄지손가락폄근짧은엄지손가락폄근긴엄지손가락벌림근 락의움직임을관장하는근육을선정해야한다. 생물학적으로사람의손은 27개의뼈와 35개의근육그리고약 17,000개의기계수용체 (mechano-receptor) 로구성되어있다고한다. 엄지와검지는 15개의근육과연결되어있다. 각근육이위치한곳에따라외근 (extrinsic muscle) 과내근 (intrinsic muscle) 으로분류된다. 외근은사람의하완 ( 아래팔 ) 에위치한근육으로써근육의크기가크고큰힘을발생시키는반면, 내근은사람의손에분포되어있으며작고세밀한힘의조정을위해사용된다 [15]. 그림 5는인간의손근육중에서외근의엄지와검지의움직임에영향을주는주요근육들을나타내고있다. 또한각외근의명칭은표 1에서나타낸것과같다 [16]. 본실험에서는손가락의움직임을관장하는근육중에서가장큰힘을내고손가락의움직임에직접적으로작용하는 EPL (Extensor Pollicis longus, 긴엄지손가락폄근, 그림 5와표 1의 7번근육 ) 와 ED (Extensor digitorum, 그림 5와표 1의 4번근육 ) 에서근전도신호를획득한다. EPL과 ED는모두손가락의폄동작이발생할때활성화가된다. 두신호모두폄동작에의해근전도신호가발생되지만 EPL은엄지손가락의폄에의해근전도신호가발생이되고 ED는엄지를제외한나머지손가락의폄에의해근전도신호가발생이된다. 두근육에서발생되는근전도신호를이용하여엄지와그이외의손가락의펴짐을구분하며각손가락이펴짐과동시에발생하는데이터글러브신호와근전도신호를확인하여본실험을진행하게된다. 2. 근전도와데이터글러브신호의시간흐름에따른비교통합적으로근전도센서모듈과데이터글러브를사용하여획득한신호를 PC에전송하여각신호를동시에처리하여동기화를수행한다. Flex Sensor에서발생하는각손가락의펴짐정보를데이터글러브에서처리하여무선으로전송하게되며선정된근육인 EPL근육부위와 ED근육부위에전극을부착하여 EMG 신호를처리하여획득하게된다. PC에서는각각의시스템에서전송된신호를매 Sampling time 마다동기화하여저장및모니터링하게된다. 선정된근육에서발생하는근전도신호와데이터글러브와의신호의차이를정밀하게측정하기위해 Sampling time 은 1ms으로설정되었다. ED 근육은넓은범위에분포하기때문에비교적쉽게전극을부착하여신호획득이가능하지만 EPL 근육은비슷한근육들의분포가조밀하게분포해있어전극을부착할때주의가필요하다. 그림 6과 7은측정된 EPL 부위의근전도신호, ED 부위의근전도신호, 데이터글러브에서측정된엄지와중지손가락들에서발생한각도정보를나타낸것이다. 그림 6은처음주먹을쥔상태에서전체손가락을자연스럽게펴는동작을실시하였다. 그림 6에서볼수있듯이손의움직임을보여주는데이터글러브의신호가나타나기전에근전도신호가시간적으로앞서서발생한다는것을실험적으로확인할수있다. 그림 7은주먹을쥔상태에서엄지손가락만을펴는동작을한실험이다. 데이터글러브에서는엄지손가락의변화만이확인되었고근전도센서모듈또한엄지손가락의펴짐을관장하는 EPL에서근전도신호가발생하는것을볼수있다. 참고문헌 [17] 에서도사람의움직임이전에근전도신호가 50 ~ 200ms 정도먼저발생한다는연구가진행된적이있으며본실험에서이를다시한번더확인할수있었다. 그림 6과 7은모두수직으로실선과점선이그려져있다. 이것은획득한데이터글러브의펴짐정보와근전도신호정보를출력하는동시에데이터글러브의움직임이발생하는순간을점선으로수선을그었으며실선은그시간의 50ms 이전지점에수선을표현한것이다. 그림 6과 7 모두에서데이터글러브의움직임이전에모든근육에서활성화가이루어지는것을볼수있으며최소 50ms이전보다더빠르게움직임을예측할수있다. 또한각근육이관장하는움직임에서만신호가발생하는것을볼수있다. 근전도센서모듈은하드웨어자체에서제공하는 12Hz High-pass Filter와 10000배증폭을제외하곤아무런가공을하지않은 Raw EMG 신호를
손가락동작과힘추정시스템 1017 그림 6. 주먹에서보자기로의변화시근전도와각도신호. Fig. 6. EMG and angle signals while rock to paper. 그림 8. 부하변화에따른근전도신호. Fig. 8. EMG signals according to load variations. 그림 9. N=500 에서의 RMS 근전도데이터. Fig. 9. RMS data when N=500. 1 n k for n m (1) N n 2 RMS[ ]= EMG[ ] = 0,1,..., k= n ( N 1) 그림 7. 주먹에서엄지손가락만을펼친변화시측정한신호. Fig. 7. EMG and angle signals while extending thumb from rock. 측정하였고데이터글러브또한 Flex 센서에서발생하는손가락각도정보를전송하여두신호간의비교만을하였다. 3. 부하변동에따른근육신호본절에서는손에가해지는부하에따른근전도신호의차이를분석하고측정된근전도신호에 RMS를취하여부하변동에따른평균값을찾는방법을제안한다. 그림 8은 FDS 부위에서부하의변화에따른근전도신호값을측정한것이다. 인가된부하는처음 8kg에서 16kg으로다시 24kg으로 8kg씩증가하며선형적으로가변하였다. 부하는가변이가능한악력기인 GD GRIP 3단조절악력기 (GD Co., Korea) 를사용하였다. 부하의변화에따라서근전도신호의크기가증가하는것을확인할수있다. 이것을선형적으로모델링하기위해서는 RMS를취한다. 부하변화에따라획득한근전도신호를 RMS (Root Mean Squares) 를취하여근사적인포락선 (envelope) 정보를추출한다. 또한 RMS 정보는근사적인힘정보를포함하고있는것으로알려져있다. 다음식과같이 RMS를취한다. 여기서 N은 RMS를취하는 Moving Window Size 를의미한다. RMS[n] 는한구간인 N개샘플의 RMS 값을나타내는데현재의입력신호를기준으로 N-1샘플시간만큼뒤의 Raw EMG 신호를각샘플타임마다제곱하여더한결과에제곱근을취한결과이다. 또한 m은전체샘플데이터의수를의미한다. 본실험에서 N=500으로실시하였다. 그림 9는그림 8에서획득한 Raw EMG 신호에식 (1) 을적용하여얻은결과이다. 손에가해지는부하의변화가 8, 16, 24kg으로선형적으로변하는것에비례하여 RMS 결과값역시근사적으로선형적인크기의차이를보이고있다. Moving Window의크기를좀더늘린다면좀더선형적인신호를얻을수있지만데이터의빠른처리를위해 Window크기를 500(500ms) 으로하였다. 그림 9의데이터를이용하여각부하에따른 RMS 평균값을결정하게된다. 표 2는그림 9에서나타낸 RMS Data 모두를더한후전체 Sampling 갯수로나눈평균값이다. 수치상으로비교하여도근사적선형성을확인할수있다. 본실험을통하여근전도신호의 RMS값과부하의변화가근사적으로나마선형적임을확인하였고보다정확한관계를찾기위하여 Fitting을하고자한다. 4. 부하와근전도신호의다항식그림 10은그림 9에서얻어진데이터를 ANOVA( 분산분석 ) 테스트를한것이다. ANOVA 테스트를통하여 7000개의 RMS 데이터의분산와평균을한눈에볼수있으며낮은부하일수록분산값이작고부하의크기가커질수록분산값이커지는것을볼수있다. 이것은부하가커짐에따라 FDS에서
1018 이동철, 최영진 표 2. N=500 샘플링 RMS 데이터의평균. Table 2. Mean of RMS data when N=500. Load RMS 8kg 0.7131 16kg 1.3594 24kg 2.044 그림 11. 가상로봇손. Fig. 11. Virtual robot hand. 그림 10. 분산분석실험. Fig. 10. ANOVA test. 발생하는 EMG 신호가불규칙해진다는것을의미한다. 24kg 의악력은쉽게파지할수없을정도로큰부하이므로좀더높은부하로갈수록분산값이커지는것은자연스러워보이나혹악력이커짐에따라다른근육에서생성되어전가되는노이즈의강도가커져서나타나는현상일수도있다. 본논문에서는사람이물체를파지할때무리가가지않을정도인 24kg의부하까지만사용하는것으로실험조건을제시한다. 앞에서제시한표 2를통하여부하와 RMS 근전도신호와의관계를보다정확하게유추할수있다. 다음식을이용하여다항식을유추한다. P(x)=P 1 x k + P 2 x k 1 + + P k x + P k+1 (2) 여기서 x는 RMS[n] 을의미한다. Matlab의 Polyfit 함수를통하여다항식의계수를얻었으며구체적으로차수 k=4을사용하여다음을얻었다. 4 2 Px ( )= 0.1629x 1.3902x 10.2893x + + (3) 지금까지제시한식 (3) 을이용하여손에감지되는부하의크기를추정하는데이용하고자한다. IV. 결과및고찰 1. 손가락움직임과힘추정개발된데이터글러브를통하여손가락의움직임정보를제공하면서앞장에서제안한 4차다항식을통한손움직임과손에가해지는부하를예측하는시스템을제안한다. 기본적인시스템구조는앞절의설명과동일하며측정된근전도신호는 500 Samples RMS를거쳐 4차다항식을통한부하정보로나타나게된다. 또한데이터글러브는손가락의굽힘정보를전송하여가상로봇손의움직임정보를만들어내게된다. 그림 11은본연구를목적으로만든가상로봇손이며 그림 12. 손에가해지는부하가없을때. Fig. 12. When no load. 그림속의상태는손을펴고아무런움직임도가하지않은상태이다. 그림 12는부하가없는상태에서주먹을쥔상태를나타낸다. 이때전송되어들어온신호를출력하였으며손에감지되는부하가없기때문에 EMG 신호도아주미약하게발생하였다. 또한로봇손의구부림또한부하가있을때보다더많이굽혀지는것을확인할수있다. 그림 13은 8kg부하가손에발생한상태이다. 8kg이라는상대적으로가벼운부하이기때문에상대적으로작은 EMG 신호가발생하게된다. 하지만부하가없는상태인그림 12와는움직임에서차이가있다. 손의굽힘각도또한부하가없는주먹을쥔상태보다더굽혀지지않는것을확인할수있고로봇의표면색이연분홍색을띄는것을알수있다. 손의부하정보를빠르게표현하기위해서흰색에서부터붉은색까지를 255등분하여색의농도가연하면낮은부하가손에가해진것을표현하였고색은농도가진해질수록높은부하가손에가해지는것을표현하여부하의변동을쉽게확인할수있도록하였다. 실제시스템에는부하의정보가빠르게출력된다. 그림 14는손에가해지는부하가 16kg일때를그림 15는손에가해지는부하가 24kg일때의측정결과를나타내고있다. 그림 16은실험과정과결과를보여주고있다. 본실험을통하여데이터글러브를통하여손의동작정보를획득함과동시에손에가해지는부하정보를근전도센서모듈을통하
손가락 동작과 힘 추정 시스템 1019 그림 13. 손에 가해지는 부하 8kg일 때. Fig. 13. When load is 8kg. 그림 16. 손가락 힘 예측. Fig. 16. Finger force prediction. 여 얻었다. 실제 로봇 손을 제어하는데 있어 힘을 측정하는 방법은 다양한 센서를 통해 제안되었지만 본 논문에서는 근 전도 신호 만을 이용하여 손가락의 쥐는 힘을 추정방법을 제 시하였다. 또한 본 실험을 통하여 손에 가해지는 부하의 무 게를 예측하는 것을 보였다. 그림 14. 손에 가해지는 부하 16kg일 때. Fig. 14. When load is 16kg. 그림 15. 손에 가해지는 부하 24kg일 때. Fig. 15. When load is 24kg. V. 결론 본 논문에서 근전도신호 획득 및 처리를 위해 최소 아날로 그 필터를 이용하여 설계하는 방법을 제시하였다. 기존에 개 발된 상용 근전도센서 들은 가격적인 측면에서 고가이며 확 장을 고려하지 않은 대형 장비 형태의 센서 시스템들이 다수 를 이루었었다. 제안한 근전도센서 모듈은 저렴하면서 소형 의 모듈 형태로 다 채널로의 확장이 용이하며 기존의 상용 근전도센서 시스템과 유사한 성능을 보이고 있다. 또한 손가락의 움직임을 선형적으로 측정 가능한 Flex 굽 힘 센서를 사용한 데이터 글러브 시스템을 제안하였다. 기존 개발된 데이터 글러브에 비해 복잡하지 않으며 성능에서도 유사함을 보였다. 개발된 데이터 글러브 시스템은 손가락 움 직임 정보를 빠르게 획득하여 PC에 전송하는 시스템이다. 개 발된 근전도센서 모듈과 데이터 글러브 시스템을 통합하여 생체 신호인 근전도 신호가 기계신호인 데이터 글러브 신호 보다 시간적으로 앞섬을 실험적으로 확인하였다. 실제 손가 락의 움직임 이전에 손가락의 움직임을 관장하는 근육에서 50 ~ 200ms 정도의 앞섬을 보였다. 근전도 신호는 비침습적이 고 신경신호에 비해 사용이 간단하며 사람의 움직임이 일어 나기 이전에 근전도 신호가 발생하므로 힘 센서와 동작 인식 용 장치를 사용하여 사람의 움직임 의도를 추정하는 것 보다 앞서 인지 할 수 있다. 본 논문에서는 개발된 두 시스템을 이용하여 부하 변화에 따른 근전도 변화를 수식으로 제안하였다. 손에 가해지는 부 하의 선형적인 변화에 비례하여 근사적으로 근전도 신호가 발생하는 것을 실험적으로 확인하였다. 제안된 수학식을 통
1020 이동철, 최영진 하여임의의물체를파지할때근전도센서모듈과데이터글로브를이용하여손가락의움직임을추정하고근전도신호로손에가해지는부하의크기를추정하는시스템및방법을제안하였다. 참고문헌 [1] E. Cavallaro, J. Rosen, J. C. Perry, S. Burns, and B. Hannaford, Hill-based model as a myoprocessor for a neural control -led powered exoskeleton arm - parameters optimization, Proc. of IEEE Int. Conf. on Robotics and Automation, pp. 4514-4519, Apr. 2005. [2] D. Nishikawa, W. Yu, H. Yokoi, and Y. Kakazu, EMG prosthetic hand controller using real-time learning method, Proc. of IEEE Int. Conf. on Systems, Man and Cybernetics, vol. 1, pp. 153-158, Oct. 1999. [3] S. Bitzer and P. der Smagt, Learning EMG control of a robotic hand: Towards active prostheses, Proc. of IEEE Int. Conf. on Robotics and Automation, pp. 2819-2823, May 2006. [4] G. S. Sawicki, K. E. Gordon, and D. P. Ferris, Powered lower limb orthoses: applications in motor adaptation and rehabilitation, 9th International Conference on Rehabilitation Robotics (ICORR), pp. 206-211, 2005. [5] J. Zhao, Z. Xie, L. Jiang, H. Cai, H. Liu, and G. Hirzinger, Levenberg-MarQuardt based neural network control for a fivefingered prosthetic hand, Proc., IEEE Int. Conf. on Robotics and Automation, pp. 4482-4487, Apr. 2005. [6] S. H. Lee and G. N. Saridis, The control of a prosthetic arm by EMG pattern recognition, IEEE Trarns. on Automatic Control, vol. 29, no. 4, pp. 290-302, Apr. 1984. [7] D. Graupe and W. K. Cline, Functional separation of EMG signals via ARMA identification methods for prosthesis control purposes, IEEE Trans. on Systems, Man, and Cybernetics, vol. SMC-5, no. 2, pp. 252-259, Mar. 1975. [8] R. W. Wirta, D. R. Taylor, and F. R. Finely, Pattern recognition arm prothesis: a historical perspective a final report, Bull. Prosthesis Res., pp. 403-409, Jun. 1982. [9] G. N Saridis and T. Gootee, EMG pattern analysis and classification for a prosthetic arm, IEEE Trans. on Biomed. Eng., vol. 29, pp. 403-409, Jun. 1982. [10] G. N. Saridis, Application of pattern recognition methods to control systems, IEEE Trans. on Automatic Control, vol. 26, 1981. [11] P. C. Doerschuk et al., Upper extremity limb function discrimination using EMG signal analysis, IEEE Trans. on Biomed. Eng., vol. 30, pp. 18-38, Jan. 1983. [12] D. Graupe and W. K. Cline, Functional separation of EMG signals via ARMA identification methods for prosthesis control purpose, IEEE Trans. on Syst. Man Cyber., vol. 5, pp. 252-259, Mar. 1975. [13] D. Graupe, J. Salahi, and Z. Desong, Stochastic analysis of myoelectric temporal signatures for multifunctional signal-site activation of prosthesis and orthoses, Journal Biomed. Eng., vol. 7, pp. 18-29, 1985. [14] D. Graupe, J. Magnussen, and A. A. Beex, A microprocessor system for multifunctional control of upper-limb prostheses via myoelectric signal identification, IEEE Trans. on Automat. Contr., vol. 23, pp. 583-544, Aug. 1978. [15] G. Schlesinger, Der mechanische aufbau der Kunstlichen glieder ersatzglieder und arbeitshilfen, part II, Springer, pp. 21-600, 1919. [16] H.-L. Yu, R. A. Chase, and B. Strauch, Atlas of hand anatomy and clinical implications, Mosby, pp. 43-580, 2004. [17] B. Liebet, C. A. Gleason, E. W. Wright, and D. K. Pearl, Time of conscious intention to act in relation to onset of cerebral activity (Reainess Potential), Brain, vol. 106, pp. 623-642, 1983. 이동철 2009년한양대학교전자정보시스템공학 ( 공학사 ). 2011 년한양대학교전자전기제어계측및로봇공학 ( 공학석사 ). 2011 년 ~ 현재대우조선해양중앙연구소로봇 R&D. 관심분야는생체로봇, 재활공학, 휴먼모델링, 로봇보행, 로봇 H/W. 최영진 1994년한양대학교정밀기계공학과 ( 공학사 ). 1996년포항공과대학교기계공학과 ( 공학석사 ). 2002년포항공과대학교기계공학과 ( 공학박사 ). 2002년 ~2005년한국과학기술연구원 (KIST) 지능로봇연구센터선임연구원. 2005년 ~ 현재한양대학교 ERICA캠퍼스전자시스템공학과부교수. 2011년 ~ 현재 University of Central Florida, Visiting Professor, 관심분야는생체로봇, 재활로봇, 휴먼모델링, 휴머노이드, 로봇보행, 전신공조, PID제어.