실사용 환경에 적합한 EMG 기반 손동작 인식을 위한 전처리로서의 Wavelet Transform = Wavelet Transform as Pre-processing for EMG-based Hand Gesture Recognition Suitable for Actual User-environment

국문 초록 (Abstract)

손동작이란 기본적인 잡기 동작뿐만 아니라 의사소통을 위한 제스처 등을 포함하며 사람의 일상생활에서 상당히 중요한 역할을 수행한다. 이러한 손동작을 인식하여 HCI(Human Computer Interface) 로 활용하기 위해 표면근전도(sEMG : Surface Electromyography)를 이용한 손동작 인식 분야는 꾸준히 연구되어 왔다. 근전도 신호는 기본적으로 많은 잡음 요소가 존재하기 때문에 손동작을 인식하기 위해 다양한 전처리 신호처리 기법이 개발되었고, 특히 주파수 분석을 위해 웨이블릿 변환(WT: Wavelet Transform)이 자주 사용된다. 따라서 본 논문에서는 웨이블릿 변환 기반의 3가지의 기법을 비교하여 손동작 인식 분야의 실제 사용 환경에 가장 적합한 기법을 선택한다. 손동작 인식 분야의 주된 목표인 실시간 인식을 위해 각 기법에서의 처리시간과 동작 인식 정확도를 비교하였으며, 비교된 웨이블릿 변환 기법은 각각 DWT(Discrete WT, single level), TQWT(Tunable Q-factor WT), CWT(Continuous WT)이다. 비교에 사용된 데이터세트는 서로 다른 5명의 대상에게 수집된 15가지 손동작을 포함하고 있으며, 먼저 각 3가지 기법으로 특징을 추출하고 딥러닝 분류기(가벼운 CNN)를 사용하여 손동작을 인식한다. 손동작 인식이 이루어지는 각 과정에서 처리시간이 기록되고 최종적으로 15가지 손동작에 대한 평균 정확도가 계산된다. 결과 TQWT와 CWT에서 유사한 약 75%의 평균 정확도를 얻었지만 인식 과정에 소요되는 시간이 TQWT에서 0.08초, CWT에서 0.26초였다. 따라서 정확도 측면에서 비슷한 성능을 보이면서 처리시간이 빠른 TQWT가 손동작 인식의 실제 사용 환경에 적합한 기법임을 보여주었다.

다국어 초록 (Multilingual Abstract)

Hand gestures include not only grasping movements but also gestures for communication and using very important role in daily life. The field of hand gesture recognition using surface electromyography (sEMG) has been studied to recognize these hand movements and use them as HCI (Human Computer Interface). Since electromyography signals basically have many noise elements, various pre-processing techniques have been developed to recognize hand gestures, and Wavelet Transform (WT) is frequently used for frequency analysis. Therefore, in this paper, three pre-processing techniques based on wavelet transform are compared to select the most suitable technique for the actual user-environment in the field of hand gesture recognition. Processing time and gesture recognition accuracy in each technique were compared for real-time recognition, which is the main goal of the field of hand gesture recognition, and the compared wavelet transform techniques are DWT (Discrete WT), TQWT (Tunable Q-factor WT), and CWT (Continuous WT). The dataset used in the comparison contains 15 hand gestures collected from five different subjects, first extracting features with each of the three techniques and recognizing hand gestures using a deep learning classifier (light CNN). In each process in which hand gesture recognition is performed, processing time is recorded, and finally, the average accuracy for 15 hand gestures is calculated. The results obtained similar average accuracy of about 75% in TQWT and CWT, but the time required for the recognition process was 0.08 seconds in TQWT and 0.26 seconds in CWT. Therefore, it was shown that TQWT with fast processing time is a suitable technique for the actual user-environment of hand gesture recognition, showing similar performance in terms of accuracy.