| 1 |
1
적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해 적어도 일시적으로 구현되는,복수개의 채널을 포함하는 근전도 신호 센서로부터 획득된 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 특성 추출부;상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 인공 신경망(neural network); 및상기 인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 동작 인식부를 포함하는 동작 분류 장치
|
| 2 |
2
제1항에 있어서,상기 근전도 신호 센서에서 획득된 데이터의 잡음을 제거하고, 정규화하는 전처리부를 더 포함하는동작 분류 장치
|
| 3 |
3
제2항에 있어서,상기 전처리부는,각 채널에서의 최소 값을 상기 각 채널에서 획득된 데이터에서 추가적으로 제거하는동작 분류 장치
|
| 4 |
4
제2항에 있어서,상기 전처리부는,복수의 채널 중 가장 큰 값을 갖는 채널의 위치를 기준으로 근전도 데이터 그룹을 추출하는동작 분류 장치
|
| 5 |
5
제1항에 있어서,상기 특성 추출부는,상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하고, 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하여, 미리 정해진 개수의 특성을 추출하는동작 분류 장치
|
| 6 |
6
제1항에 있어서,상기 인공 신경망은,상기 입력층과 상기 출력층 사이에 위치하는 제1 은닉층을 포함하고,상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결되는동작 분류 장치
|
| 7 |
7
제6항에 있어서,상기 인공 신경망은,상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고,상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적은동작 분류 장치
|
| 8 |
8
제1항에 있어서,상기 인공 신경망은,복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고,해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습되는동작 분류 장치
|
| 9 |
9
제1항에 있어서,상기 복수개의 특성은,상기 근전도 신호 센서로부터 출력된 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴에 따라 추출되는동작 분류 장치
|
| 10 |
10
복수개의 채널에 대한 근전도 데이터 그룹을 획득하는 단계;상기 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 단계; 및인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 단계를 포함하는 동작 분류 방법
|
| 11 |
11
제10항에 있어서,상기 특성(feature)을 추출하는 단계는,상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하는 단계;동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하는 단계; 및상기 성능에 기초하여 미리 정해진 개수의 특성을 추출하는 단계를 포함하는 동작 분류 방법
|
| 12 |
12
제10항에 있어서,상기 인공 신경망은,상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는동작 분류 방법
|
| 13 |
13
제12항에 있어서,상기 인공 신경망은,상기 입력층과 상기 출력층 사이에 위치하는 제1 은닉층을 포함하고,상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결되는동작 분류 방법
|
| 14 |
14
제13항에 있어서,상기 인공 신경망은,상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고,상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적은동작 분류 방법
|
| 15 |
15
제10항에 있어서,상기 인공 신경망은,복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득된 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고,해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습되는를 포함하는 동작 분류 방법
|
| 16 |
16
하드웨어와 결합되어 제10항 내지 제15항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램
|
| 17 |
17
접촉된 사용자의 신체로부터 복수개의 채널을 통해 입력 근전도 신호를 획득하는 센싱부;상기 입력 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴으로써 복수개의 특성을 추출하고, 인공 신경망을 이용하여 상기 복수개의 특성에 대응하는 사용자의 동작을 인식하여 상기 동작에 대응하는 명령을 수행하는 프로세서; 및를 포함하는 웨어러블 디바이스
|
| 18 |
18
제17항에 있어서,상기 프로세서는,상기 인공 신경망을 통해 미리 학습된 복수의 사용자들의 기준 근전도 신호를 상기 사용자로부터 획득된 상기 입력 근전도 신호를 이용하여 사용자 특성에 따라 조정하는웨어러블 디바이스
|
| 19 |
19
제18항에 있어서,상기 인공 신경망은복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 웨어러블 디바이스
|
