리만 기하학적 특징과 RNN 을 활용한 고차원 손가락 운동 디코딩

요약

본 논문은 근전도(EMG) 신호를 활용하여 고차원 손가락 운동학을 연속적으로 추정하는 엔드투엔드 프레임워크를 제시합니다. 기존의 분류 기반 방식이 가진 자유도 제한 문제를 해결하기 위해, 연구진은 8채널 EMG와 손가락 관절 각도를 포함한 대규모 데이터셋(EMG-FK)을 구축했습니다. 핵심 모델인 Temporal Riemannian Regressor (TRR)는 리만 기하학적 특징과 GRU를 결합하여 운동 디코딩의 정확도와 실시간성을 모두 높였으며, 이는 임베디드 시스템에서의 자연스러운 제어 구현 가능성을 입증합니다.

핵심 포인트

• EMG 기반 고차원 손가락 운동 추정을 위한 엔드투엔드 프레임워크를 제시함.
• 8채널 EMG 및 15개 관절 각도를 포함하는 대규모 동기화 데이터셋(EMG-FK)을 구축하여 모델 학습에 활용함.
• 리만 기하학적 특징과 GRU를 결합한 Temporal Riemannian Regressor (TRR) 모델을 개발하여 최첨단 성능을 달성함.
• TRR은 높은 정확도와 더불어 초당 10회 예측 속도로 작동하는 실시간성을 입증하며, Raspberry Pi 5에서의 배포 가능성을 보여줌.