KR101422669B1 - 보행 주기 검출 시스템 - Google Patents

Abstract

입각기와 유각기로 이루어지는 보행 주기를 검출하기 위한 보행 주기 검출 시스템은, 신경 신호를 검출하는 신호 검출 전극체와, 상기 신경 신호로부터 보행 주기를 검출하는 보행 주기 검출 모듈을 포함하고, 상기 보행 주기 검출 모듈은, 연속적으로 검출되는 상기 신경 신호 중 자극 잡파를 포함하는 일부를 소정 시간 단위로 소거하여 복수의 분할 신경 신호로 분할하고, 각각의 분할 신경 신호의 특성 벡터들을 추출하며, 추출된 상기 특성 벡터들을, 기구축된 입각기와 유각기에서의 신경 신호의 특성 벡터들의 확률 모델에 대입하여, 해당 분할 신경 신호의 보행 주기를 결정한다.

Description

보행 주기 검출 시스템{Gait phase detection system}

본 발명은 보행 주기 검출 시스템에 관한 것으로서, 더욱 상세하게는 보행시 나타나는 입각기와 유각기를 검출할 수 있는 보행 주기 검출 시스템에 관한 것이다.

풋-드롭(foot-drop)과 같은 보행 장애는 신경의 손상 등에 의해 보행에 필요한 신경 신호가 제대로 전달되지 못하기 때문에 발생한다.

신경에 적절한 전기 자극을 가하여 근육의 움직임을 일으킴으로써 보행 장애를 보정하는 전기 자극 방법 등이 연구되고 있다.

보행 주기는 땅에 발을 딛는 입각기와 공중에서 발을 이동시키는 유각기로 이루어지게 되는데, 신경에 적절한 자극을 주어 보행을 보정하기 위해서는 유각기와 입각기를 정확히 구분하는 보행 주기 검출 과정이 선행되어야 한다.

보행 주기 검출을 위해 모션 센서 등을 이용해 발의 움직임을 직접 측정하는 방법이 제시되고 있으나, 이러한 방법은 시스템의 구성이 복잡하고, 피험자의 몸에 센서를 부착하여야 하므로 실용화에 적합하지 않다.

다른 방법으로는, 신경 신호를 검출할 수 있는 전극체를 신경에 연결하고, 검출되는 신경 신호로부터 보행 주기를 검출하는 방법이 연구되고 있다.

이러한, 전극체를 이용한 보행 주기 검출은, 발이 지면에 접촉함에 따라서 전달되는 피부의 구심성 신경 신호를 분석하여 이루어진다.

하지만, 종래 기술에 따르면 근육의 움직임에 의해 발생하는 근육의 원심성/구심성 신경 신호의 간섭을 피하기 위해, 전극체를 신경의 최말단 줄기에 위치하는 다중 다발성 신경(multi-fascicular nerve)의 원위부에 근접하여 배치시키고 있다.

굵기가 가늘고 약한 다중 다발성 신경의 원위부(distal branches)에 전극체를 부착하기 위해서는 세심한 수술적 노력이 필요하다는 문제점이 있다.

대한민국 특허공개 제10-2010-0111460호

본 발명은 상술한 종래 기술의 문제점을 해결하기 위한 것으로서, 검출되는 신경 신호가 가지는 시간적 패턴으로부터 해당 신경 신호의 특성 벡터들을 추출하고 확률적 분포를 통해 보행 주기를 결정함으로써, 근육의 움직임에 따른 외란을 피하기 위해 전극체의 설치 위치를 제한하지 않아도 좋은 보행 주기 검출 시스템을 제공하는 것을 목적으로 한다.

상기 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 입각기와 유각기로 이루어지는 보행 주기를 검출하기 위한 보행 주기 검출 시스템은, 신경 신호를 검출하는 신호 검출 전극체와, 상기 신경 신호로부터 보행 주기를 검출하는 보행 주기 검출 모듈을 포함하고, 상기 보행 주기 검출 모듈은, 연속적으로 검출되는 상기 신경 신호의 일부를 소정 시간 단위로 소거하여 복수의 분할 신경 신호로 분할하고, 각각의 분할 신경 신호의 특성 벡터들을 추출하며, 추출된 상기 특성 벡터들을, 기구축된 입각기와 유각기에서의 신경 신호의 특성 벡터들의 확률 모델에 대입하여, 해당 분할 신경 신호의 보행 주기를 결정한다.

또한, 상기 보행 주기 검출 모듈은, 상기 신경 신호를 복수의 분할 신경 신호로 분할하는 분할 모듈과, 각각의 분할 신경 신호에서 특성 벡터들을 추출하는 특성 벡터 처리 모듈과, 상기 추출된 특성 벡터들을 상기 확률 모델에 대입하여 분할 신경 신호의 보행 주기를 결정하는 분류 모듈을 포함할 수도 있다.

또한, 상기 보행 주기 검출 모듈은, 보행하는 피험체의 발목의 각도를 측정하여 실제 보행 주기를 측정하고, 실제 보행 주기 동안 검출된 신경 신호로부터 특성 벡터들을 추출하여 실제 보행 주기에서의 상기 특성 벡터들의 확률적 분포를 반영하는 학습 과정을 통해, 상기 확률 모델을 구축하는 학습 모듈을 더 포함할 수도 있다.

일 실시예에 따르면, 상기 학습 모듈은 상기 분류 모듈의 최적의 모델 차수와 파라미터를 결정하기 위해 반복적 지역 검색 알고리즘을 이용한다.

또한, 상기 특성 벡터 처리 모듈은, 상이한 유형의 신경 활동에 따른 상기 신경 신호의 시간적 패턴에서의 반복적인 특징을 특성 벡터로 추출하는데, 바람직하게는 웨이브렛 팩킷 변환 알고리즘을 이용해 특성 벡터로 추출할 수 있다.

또한, 상기 특성 벡터 처리 모듈은, 선형 직교 변환을 통해 상기 추출된 특성 벡터들의 차원 수를 감소시키며, 바람직하게는 특성 벡터들의 차원 수를 3차원으로 감소시킬 수 있다.

일 실시예에 따르면, 상기 확률 모델은 가우시안 혼합 모델일 수 있다.

또한, 일 실시예에 따르면, 보행 주기 검출 시스템은 상기 보행 주기 검출 모듈에서 검출된 보행 주기에 따라 해당 보행 주기에 관련된 근육의 신경을 전기 자극을 하기 위한 자극 패턴을 생성하는 자극 패턴 생성기와, 상기 자극 패턴 생성기에서 생성된 자극 패턴에 따라 전기 자극을 생성하는 전기 자극기 및 상기 전기 자극기에서 생성된 전기 자극을 상기 근육의 신경에 가하기 위한 전기 자극 전극체를 더 포함하여 보행 장애 보정을 위한 전기 자극 시스템으로 적합하게 이용될 수 있다.

또한, 보행 주기 검출 모듈은, 상기 신경 신호 중에서, 상기 전기 자극에 의해 생성된 자극 잡파가 소거되도록 상기 신경 신호를 분할할 수도 있다.

또한, 상기 전기 자극 전극체는, 종아리 신경에 연결되는 제1 전기 자극 전극체와, 정강이 신경에 연결되는 제2 전기 자극 전극체를 포함하고, 상기 신호 검출 전극체는, 상기 제1 전기 자극 전극체와 상기 제2 전기 자극 전극체에 비해 뇌를 기준으로 근위측, 바람직하게는 좌골 신경에 연결될 수도 있다.

상기 전기 자극 전극체와 상기 신호 검출 전극체는 신경의 외주를 말아 연결될 수 있는 커프형 전극체일 수 있다.

본 실시예에 따른 보행 주기 검출 시스템에 따르면, 전극체를 신경의 최 말단부에 설치하거나, 각종 센서와 필터 등을 이용해 신경 신호로부터 근육의 활동에 따른 외란을 제거하기 위한 과정이 필요하지 않다.

또한, 신경 신호를 분할하는 세그먼트 과정을 거치므로, 자극 잡파의 영향을 전기 자극 신호의 영향을 검출되는 신경 신호로부터 효과적으로 제거할 수 있어서, 보행 보정을 위한 전기 자극 시스템에 효과적으로 이용될 수 있다.

도 1은 본 발명의 일 실시예에 따른 보행 주기 검출 시스템의 개념적인 블록도이다.
도 2는 본 발명의 일 실시예에 따른 보행 주기 검출 모듈의 블록도이다.
도 3은 쥐가 쳇바퀴를 보행하는 동안 측정된 신경 신호와 발목 각도의 특성을 도시한 그래프이다.
도 4는 신경 신호이 일부 구간을 소거하여 세그먼트화하는 과정을 도시한 것이다.
도 5는 3차원 공간에 투영된 특징 벡터들을 도시한 것이다.
도 6 분할 신경 신호들을 이용한 보행 주기 결정 과정을 나타내는 도면이다.
도 7은 상이한 보행 속도에 따른 주기 검출 결과를 도시한 것이다.

이하, 상기의 목적을 구체적으로 실현할 수 있는 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 설명한다. 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 하나의 실시예로서 설명되는 것이며, 이것에 의해서 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 제한되지 않는다.

도 1은 본 발명의 일 실시예에 따른 보행 주기 검출 시스템(1)의 개념적인 블록도이다.

먼저 사람의 다리(2) 속의 신경 구조를 살펴보면, 척수 신경(미도시)으로부터 연장된 좌골 신경(3)은 무릎 약간 위쪽에서부터 갈려져 종아리 신경(4)과 정강이 신경(5)으로 갈라진다.

종아리 신경(4)은 주로 배굴근으로 통하는 신경으로, 근육의 구심성 파이버뿐만 아니라, 발등으로부터의 피부 구심성 파이버를 포함한다. 정강이 신경(5)은 주로 발바닥 굴근으로 통하는 신경으로, 근육의 구심성 파이버뿐만 아니라, 발바닥으로부터의 피부 구심성 파이버를 포함한다.

사람이 다리(2)를 이용해 보행을 하면, 그 보행 주기는 입각기와 유각기로 이루어지게 되는데, 본 실시예에 따른 보행 주기 검출 시스템(1)를 이용해 보행 주기를 검출한다.

본 실시예에 따른 보행 주기 검출 시스템(1)은, 신경 신호(electroneurogram signal; ENG 신호)를 검출하는 신호 검출 전극체(51)와, 상기 신호 검출 전극체(51)에서 검출된 신호를 증폭하는 증폭기(40)와, 증폭된 신경 신호로부터 보행 주기를 검출하는 보행 주기 검출 모듈(10)을 포함한다.

한편, 본 실시예에 따른 풋-드롭 환자의 보행 상태 교정 등에 적절히 이용될 수 있으며, 이를 위해 보행 주기 검출 모듈(10)에서 검출된 보행 주기에 따라 해당 보행 주기에 관련된 근육의 신경을 전기 자극을 하기 위한 자극 패턴을 생성하는 자극 패턴 생성기(20)와, 상기 자극 패턴 생성기(20)에서 생성된 자극 패턴에 따라 전기 자극을 생성하는 전기 자극기(30) 및 상기 전기 자극기에서 생성된 전기 자극을 상기 근육의 신경에 가하기 위한 전기 자극 전극체(52, 53)를 더 포함한다.

보행 특성을 측정하기 위한 센서로, 신경 신호를 검출하기 위한 신호 검출 전극체(51)는 좌골 신경(3)에 연결된다. 신호 검출 전극체(51)는 그 몸체가 유연하여 신경의 외면에 말려 부착되고, 몸체에 형성된 전극을 통해 신경 신호를 검출할 수 있는 커프(cuff)형 전극체이다. 커프형 전극체의 구체적인 구성은 공지된 것이므로, 여기서는 구체적인 설명을 생략한다.

본 실시예에 따르면, 신호 검출 전극체(51)가 좌골 신경(3)에 연결되므로, 신호 검출 전극체(51)로부터 검출되는 신경 신호(electroneurogram signal; ENG 신호)에는 피부의 구심성 활동 신호뿐만 아니라, 근육의 구심성 및 원심성 활동 신호가 함께 증폭기(40)로 전달되어 증폭되어 보행 주기 검출기(10)로 전달된다.

보행 주기 검출기(10)는 후술하는 바와 같이 확률 모델을 이용하여 신호 검출 전극체(51)로부터 검출되는 신경 신호로부터 정확한 보행 주기를 검출한다.

보행 주기 검출기(10)에서 검출된 보행 주기에 동기화된 자극 펄스가 자극 패턴 생성기(20)에서 생성되고, 전기 자극기(30)는 종아리 신경(4)과 정강이 신경(5)에 각각 위치한 제1 전기 자극 전극체(52)와 제2 전기 자극 전극체(53)를 통해 배굴근과 발바닥 굴근을 자극하여, 그 움직임을 일으킨다.

본 실시예에 따른 제1 전기 자극 전극체(52)와 제2 전기 자극 전극체(53)는 신호 검출 전극체(51)와 동일하게 커프형 전극체가 이용되며, 그 구성에 대한 구체적인 설명은 생략한다.

도 2는 본 실시예에 따른 보행 주기 검출 모듈(10)의 블록도이다.

보행 주기 검출 모듈(10)은 입력된 신경 신호를 복수의 분할 신경 신호로 분할하는 분할 모듈(11)과, 각각의 분할 신경 신호에서 특성 벡터들을 추출하는 특성 벡터 처리 모듈(12)과, 추출된 특성 벡터들을 확률 모델에 대입하여 분할 신경 신호의 보행 주기를 결정하는 분류 모듈(13, 14)을 포함한다. 모듈(13)은 추출된 특징 벡터들을 확률 모델에 대입하여 확률 밀도(p(x|m))를 계산하고, 모듈(14)은 확률 밀도(p(x|m))와 사전확률(p(m))의 곱을 통해 최대 사후확률(p(m|x))을 계산한다.

또한, 보행 주기 검출 모듈(10)은, 보행하는 피험자의 발목의 각도를 측정한 실제 보행 주기와 검출된 신경 신호로부터 특성 벡터들을 추출하는 학습 과정을 통해, 실제 보행 주기에 따른 특성 벡터들의 확률적 분포를 반영한 확률 모델을 구축하는 학습 모듈(15)을 더 포함한다.

보행 주기 검출 모듈(10)은 먼저 신경 신호의 데이터를 획득하고, 소거 신호를 이용해 신경 신호를 분할한 뒤, 분할된 신경 신호로부터 특징 벡터를 추출하고, 투영 과정을 거쳐 특징 벡터들의 차원 수를 감소시키고, 학습 과정을 거친 확률 모델을 통해 보행 주기를 결정한다.

이하에서는, 본 실시예에 따른 보행 주기 검출 시스템(1)을 이용한 상기 보행 주기 검출 과정을 자세히 설명한다.

학습을 통한 확률 모델의 구축

본 실시예에 따른 보행 주기 검출 시스템(1)에 따르면, 보행 주기를 결정하는 확률 모델을 구축하기 위해, 보행 주기 측정을 위한 피험체(확률 모델 구축에는 풋-드롭 등 보행 장애가 없는 정상인 등을 피험체로 한다)가 보행하는 동안 발목의 각도를 측정하여 실제 보행 주기를 결정하고, 실제 보행 주기 동안 검출된 신경 신호로부터 특성 벡터들을 추출하여 실제 보행 주기에서의 상기 특성 벡터들의 확률적 분포를 반영한다.

발목 각도는 피대상체의 발목의 복수 지점에 마커를 부착하고, 모션 카메라를 통해 촬영하여 영상을 분석함으로써, 측정된다.

도 3은 쥐가 쳇바퀴를 보행하는 동안 측정된 신경 신호와 발목 각도를 도시한 것이다.

보행 주기는 발바닥을 지면에 최초 접촉한 시점부터 토-오프(toe-off)가 일어나기까지의 입각기(stance phase)와, 토-오프 시점부터 다음 최초 접촉이 일어나기까지의 유각기(swing phase)의 두 부분으로 이루어진다.

도 3에 도시된 바와 같이, 하나의 보행 주기 동안에 발목 각도에는 입각기와 유각기의 변화시, 즉 최초 접촉과 토-오프 시 두 번의 피크 발생하는 것을 알 수 있다. 따라서, 이러한 두 번의 피크 발생점을 입각기와 유각기를 구분하는 기준으로 하고, 측정된 발목 각도 데이터로부터 도 3의 제일 아래 그래프와 같은 보행 주기 검출기(10)의 목표 출력으로 정의한다. 목표 출력은 발목 각도 측정과 동시에 검출된 신경 신호(도 3의 두 번째 그래프)의 보행 주기를 결정하고, 이를 통해 확률 모델을 구축할 수 있는 정보로 이용된다.

상술한 바와 같이, 본 실시예에 따른 보행 주기 검출 시스템(1)은 FES 시스템에 적합하게 이용될 수 있다.

도 1을 다시 참조하면, 전기 자극 전극체(52,. 53)를 통해 신경(4, 5)를 전기 자극하게 되는데, 그 전기 자극에 따른 자극 잡파(stimulus artifacts)가 신호 검출 전극체(51)를 통해 같이 검출되어 신경 신호에 포함되게 된다. 이러한 자극 잡파의 간섭을 제거하기 위하여, 자극 펄스와 주기가 동기화된 소거 과정이 수행된다.

도 4는 소거 과정을 거치는 자극 방법을 도시한 것이다.

자극 생성기(30)에 의해 자극 반복 주기가 60Hz이고, 이상 전류 펄스의 인가 시간은 0.5ms인 자극 펄스가 종아리 신경(4)과 정강이 신경(5)에 가해진다.

도 4의 제일 위의 그래프와 같이, 자극 펄스의 진폭은 보행 주기 검출 모듈(10)에 의해 검출된 보행 주기에 따라 변조된다. 구체적으로, 종아리 신경에 대해서는, 진폭은 토-오프시 임계값에서 최대치로 램프 업되고, 일정하게 유지되다가, 최초 접촉시 임계값으로 램프 다운된다. 정강이 신경에 대해서는, 진폭이 최초 접촉시 랩프 업되고, 일정하게 유지되다가 토-오프시 램프 다운된다.

한편, 도 4의 두 번째 도면에 도시된 바와 같이, 자극 패턴 생성기(20)는 자극 펄스와 주기가 동일하고, 인가 기간이 4.16ms인 소거 펄스를 생성하여 증폭기(40)로 보내고(도 1 참조), 증폭기(40)는 소거 펄스에 따라 구동하는 스위치를 이용한 필터를 통해 소거 펄스가 인가되는 동안의 신경 신호를 소거하여, 복수의 분할 신경 신호로 분할한다.

도 4의 세 번째 그래프는 자극 펄스의 간섭이 반영된 실제 신경 신호이고, 제일 아래 그래프는 소거 펄스를 이용해 간섭이 제거되어 복수의 세그먼트로 분할된 분할 신경 신호들을 나타낸다.

이후, 각각의 분할 신경 신호들로부터 특징 벡터들을 추출한다.

신경 활동은 그 위치, 전도 속도 및 방향에 기초하여 분류되는 상이한 유형의 신경 파이버로부터의 통합된 액션 포텐셜(action potential)로 나타낸다. 피부의 구심성 활동은 외부 수용기들로부터 발생하고, 대부분 각각 다른 전도 속도를 가지는 Aβ, Aγ 및 C 파이퍼를 따라 전파된다. 한편, 근육의 구심성 및 원심성 활동은 자기 수용기 및 모터 뉴런에 의해 각각 일어나며, 대부분 각각 다른 전도 속도를 가지는 Aα 및 Aβ 파이버를 따라 전파된다. 이러한, 신경 생리학적 특성들은 하나의 시간 윈도우 안에서 상이한 시간적 패턴을 가지는 상이한 유형의 신경 활동에 의해 야기된다. 신경 신호가 좌골 신경으로부터 측정되는 경우, 피부의 원심성 활동 신호는 대부분 입각기 동안에 관측되는 반면, 근육의 원심성 및 구심성 활동 신호는 입각기 및 유각기 동안에 공통적으로 측정된다. 따라서, 상이한 유형의 신경 활동에 대응하는 개별적이고 반복적인 특징들을 보행 주기에 따른 신경 신호의 시간적 패턴을 나타냄으로써 찾아낼 수 있다는 것을 기대할 수 있다.

본 실시예에 따르면, 분할 신경 신호 각각의 세그먼트로부터 얻어진 데이터들로부터, 해당 신호의 특징 벡터들을 추출하기 위해 하기 세 유형의 특징 추출 방법이 사용될 수 있다.

(1) 시간 및 주기 도메인의 통합(TFD) 알고리즘

(2) 웨이브렛 변환(wavelet transform)(WT) 알고리즘

(3) 웨이브렛 팩킷 변환(wavelet packet transform)(WPT) 알고리즘

예를 들어, TFD 알고리즘으로부터, 4-차수 자기회기 계수, 제로 크로싱(zero crossing)의 수, 파장 길이, 곡선 부호 변경의 수, 제곱 평균값, 절대 평균값, 및 고속 퓨리에 변환 계수 등의 특징 벡터가 추출될 수 있으며, WT 알고리즘으로부터는 WT 계수의 절대값이, WPT 알고리즘으로부터는 WPT 계수의 절대값이 특징 벡터로 추출될 수 있다.

위의 세 유형의 특정 추출 알고리즘은 공지된 것이므로, 더 이상의 자세한 설명은 생략한다.

한편, 위와 같은 특징 추출 방법들은 예를 들어, TFD 특징 벡터는 266의 차원 수, WT 특징 벡터는 300 차원 수, WPT 특징 벡터는 300 차원 수로 매우 높은 차원 수를 가지는 벡터를 만들어낸다. 일반적으로 고차원 수를 가지는 특징 벡터는 분류기의 학습 파라미터를 증가시키고 분류 정확도를 감소시킨다.

따라서, 본 실시예에 따르면 차원 수 감소를 위해 PCA(principal component analysis) 방법이 이용된다. PCA는 투영되는 특징들의 좌표가 연관되지 않고, 원래 특징들의 최대 분산이 작은 수의 좌표로 보전되도록 하는 선형 직교 변환을 이용한 차원 축소 방법이다. 투영되는 특징 벡터들의 차원 수를 결정하기 위해서, 신경 신호로부터 추출된 특징 벡터들에 대해 선형 차원(linear dimensionality)을 시험한다. 만약 얻어진 선형 차원이 D라면, 이것은 공분산 행렬의 전체 고유값(eigenvalue)에 대한 D의 최대 고유값의 비를 0.97 이상이라는 것을 의미한다. 시험 결과에 따르면 상기 세 개의 특징 추출 방법의 선형 차원은 D=3이다. 따라서, PCA를 통해 추출된 특징 벡터들은 3차원 공간에 투영된다. 먼저, 공분산 행렬이 특징들로부터 생성되고, 공분산 행렬로부터 3 최대 고유값을 가지는 3 고유 벡터로 컬럼이 이루어지는 투영 행렬이 형성된다. 그 후, 특징 벡터가 투영 행렬의 컴퓨팅을 통해 3차원 공간에 투영된다. 실험에 따르면, 특징 벡터를 3차원으로 투영시키는 경우와 그 이상의 차원수로 투영하는 경우를 비교할 때 시스템의 검출 정확도가 큰 차이가 없는 것으로 나타났다. 이러한 결과는, WPT 방법에 따라 추출된 원래 특징 벡터들이 PCA를 통해 3차원 공간으로 매우 효과적으로 투영된다는 것을 의미한다.

도 5는 상기 3개의 특징 추출 방법에 따라 추출된 특징 벡터들을 특징 1 내지 3을 축으로 하는 3차원 공간에 투영한 모습을 도시한 것이다.

PCA 방법에 의해 투영된 특징 벡터들은 고유값에 따라 순위가 매겨지고, 순위가 높은 세 개의 특징들이 3차원 공간에 투영된다. 발목 각도 측정에 따른 실제 보행 주기에 따라, 해당 신경 신호가 검출된 시점의 보행 주기를 알 수 있다. 따라서, 해당 신경 신호의 각 특징 벡터들이 나타내는 보행 주기를 결정하여 3차원 공간에 표시할 수 있다.

도 5에 도시된 바와 같이, TFD 방법 및 WP 방법에 따르면, 서로 다른 상의 조각들이 겹쳐있는 부분이 많이 존재한다. 이에 반하여 WPT 방법의 경우 동일 주기에 속하는 특징 벡터들과 다른 주기의 특징 벡터들이 잘 흩어져 분리되어있는 것을 알 수 있다. 이러한 것은, 피셔 인덱스(Fisher's index)부터 확인할 수 있는데, WPT는 1.13×10^-15 값을 가지고, TFD는 9.46×10^-18, WT는 1.41×10^-17이라는 점에서, WPT 방법이 다른 두 방법에 비해 성능이 더 우수한 것을 알 수 있다. 실험에 따르면, 검출 정확도 역시 WPT 방법이 다른 두 방법에 비해 우수한 것으로 나타났다.

본 실시예에 따르면, 위와 같이 3차원 공간에 투영된 특징 벡터들로부터 확률 모델을 구축하기 위해, 본 실시예에서는 가우시안 혼합 모델(GMM)이 이용된다. GMM은 유한수의 가우시안 밀도의 가중치 합에 기초한 일반 확률 밀도 함수를 부드럽게 근사화할 수 있는 확률 모델이다. 가우시안 혼합 모델의 개념을 이미 공지되어 있는 것이므로, 여기서는 더 구체적인 설명은 생략한다.

가우시안 혼합 모델을 이용하면, 도 5와 같이 분포된 복수의 특징 벡터들로부터 입각기와 보행 주기 각각에 대한 가우시안 영역을 설정할 수 있다.

가우시안 혼합 모델의 최적화된 모델 차수와 파라미터를 구하기 위해, 학습 모듈(15)은 반복적 지역 검색 알고리즘(iterative search algorithm)을 이용한다.

본 실시예에 따른, 지역적 검색 알고리즘은, 스필리트 앤 머즈(split-and-merge) 동작이 다이나믹 모델 차수 선책 과정과 함께 이루어지는 것으로 제안된다. CPP 로그 가능성(conjugate-prior-penalized log-likelihood)의 곡률에 기초하여, 최적의 모델 차수가 하나의 요소가 두 개로 분열되거나 두 개의 요소가 하나로 통합되는 것에 의해 찾아진다.

확률 모델의 파라미터는 MAP (maximum a posterior) 기반의 EM (expectation-maximization) 알고리즘을 이용해 찾아진다. 이때, 최적의 요소는 EM 초기화 문제로 인한 국지적 최적값의 집중을 피하기 위해 MAP 추정의 개념에 따라 분열 또는 통합되어 결정된다.

이 밖에도 가우시안 혼합 모델의 최적화된 모델 차수와 파마리터는 CPP 학습 알고리즘으로 지칭되는 전역 탐색법(global search method)을 이용하여 결정될 수도 있을 것이다.

시스템의 실제 적용

도 6 분할 신경 신호들을 이용한 보행 주기 결정 과정을 나타내는 도면이다.

도 6에서는 참고를 위해 최상단과 최하단에 각각 60Hz로 샘플링된 발목 각도 데이터와 이러한 발목 각도 데이터로부터 정의되는 목표 주기를 도시하였다.

도 6의 두 번째 그래프에 도시된 바와 같이, 피대상체가 보행하여 신경 신호가 발생하면, 그 신경 신호를 복수의 세그먼트로 분할하여 분할 신경 신호를 생성한다. 신경 신호의 일부 구간을 소거하여 분할 신경 신호를 생성하는 방법은 이미 설명하였다.

이러한 분할 신경 신호로부터 특정 벡터를 추출하기 위하여, 소거 과정들 사이의 12.5ms 시간 동안 300번 샘플링이 이루어지는 데이터 윈도우(window)가 정의된다. 특정 벡터들의 추출을 위한 프로세스는 각각의 윈도우 들이 끝나는 시점에서 수행된다. 실시간 적용을 위해 모든 보행 주기 검출 과정은 윈도우 단위 안에 끝내야한다. 따라서, 보행 주기를 결정하기 위한 프로세스 시간은 가용한 프로세스 능력을 고려하여 결정된다. 도 5에서는 프로세스 시간이 8.33ms로 제한되어 있다.

도 6의 세 번째 그래프는 매 16.66ms 마다 이루어진 결정 과정을 통해 검출된 주기를 표시한 것이다. 이러한 결정 과정의 간격은 윈도우 단위와 동일하다.

토-오프 동작이 입각기와 유각기 사이에서 발생하면, 결정 #i+1에서는 유각기임을 검출할 수 없다. 이는 보행 주기 결정이 입각기에 해당하는 데이터 윈도우 #i+1을 이용해 수행되었기 때문이다. 16.66ms 후에, 유각기에 해당하는 데이터 윈도우 #i+2에 대해 결정 #i+2가 이루어지면 유각기를 검출할 수 있다.

본 실시예에 따르면, 입각기에서 유각기로의 과도, 또는 반대의 경우가 실제 보행 주기보다 약간의 시간 지연을 가지고 결정된다. 다만, 위에서 제안된 방법에 따르면 지연되는 시간값은 25ms로 제한될 수 있다.

보행 주기를 결정하는 과정을 더 구체적으로 설명하면, 상술한 확률 모델 구축과 마찬가지로, 신경 신호로부터 특징 추출 방법을 통해 특징 벡터들을 추출하고, PCA 방법을 통해 3차원 공간에 투영시킨다.

3차원 공간에 투영되면, 해당 특징 벡터들은 확률적으로 기구축된 입각기와 유각기에 대한 가우시안 영역 중 하나에 위치하게 된다. 하나의 데이터 윈도우로부터 추출한 특징 벡터들이 입각기의 가우시안 영역 안에 위치하면, 해당 데이터 윈도우가 추출된 때 보행 주기는 입각기일 확률이 높은 것이므로, 분류 모델은 해당 데이터 윈도우의 보행 주기를 입각기로 결정하는 것이다.

더 구체적으로 설명하면, 신경 신호로부터 추출되어 3차원 공간으로 투영된 특징 벡터들의 세트인

에 대해서, GMM의 K-콤퍼넌트의 확률 밀도 함수는 하기 [수학식 1]과 같이 정의된다.

[수학식 1]

여기서, p(k)는 혼합 확률이고, p(k)≥0과

를 만족한다. 각각의 θ_k는 평균 벡터 및 공분산 행렬 {μ_k, ∑_k} 를 포함하고, 완전한 세트의 파라미터는

이다. 또한,

는 하기 [수학식 2]와 같은 가우시안 밀도를 나타낸다.

[수학식 2]

입각기와 유각기에 관계된 특징 벡터들의 각 세트는, 분류 모듈의 분류 유닛(23)을 통해

m=1, 2로서 지시되는 GMM에 의해 나타내진다. 주어진 GMM 세트

에 대해서, 각각의 GMM p(x|m)에 대한 파라미터

와 모델 차수 K는 학습 모듈(15)에 의해 결정된 것임을 이미 설명하였다.

마지막으로, 결정 유닛(24)은 주어진 특징 벡터에 대해서 하기 [수학식 3]을 이용해 최대 사후확률(posterior)를 가지는 것을 해당 보행 주기로서 선택한다.

[수학식 3]

여기서, p(m)은 분류 m에 대한 사전(prior) 확률이다.

결정 과정을 거쳐 결정된 보행 주기는 자극 펄스 생성 유닛(20)이 도 4의 첫 번째 그래프에 나타난 것과 같은 풋-드롭 증상을 가진 환자가 정상 보행을 위한 자극 펄스를 보행 주기에 따라 인가하기 위한 적절한 시점을 결정하는데 이용될 수 있다.

도 7은 상이한 보행 속도에 따른 주기 검출 결과를 도시한 것이다.

GMM 출력 곡선에서, 실선과 점선을 각각 입각기와 유각기에 부여되는 사후 확률값을 나타낸다. 맨 아래 곡선(주기)에서, 실선과 개방 원(circle)은 각각 목표 궤적과 실제 시스템을 통해 결정되는 결정 주기를 나타낸 것이다. 상술한 바와 같이 매 결정시마다 최대 사후 확률값을 가지는 것이 결정 주기로 선택된다. 과도 상태는 결정 주기가 입각기에서 유각기로 변화하거나 그 반대인 기간으로 정의된다. 또한, 정상 상태는 결정 주기가 입각기나 유각기를 유지하는 기간으로 정의된다.

도 7(a)와 같이 보행 속도가 40cm/s이면, GMM 출력은 정상 상태와 과도 상태에서 모두 안정적이다. 최초 접촉 동작이 평균 25.9ms의 지연을 가지고 검측되었고, 토-오프 동작은 평균 26.3ms의 지연을 가지고 검측되었다. 도 7(b)와 같이 보행 속도가 30cm/s이면, GMM 출력은 과도 상태에서는 다소 동요가 있으나, 정상 상태에서는 여전히 안정적이다. 최초 접촉 동작이 평균 26.1ms의 지연을 가지고 검측되었고, 토-오프 동작은 평균 26.7ms의 지연을 가지고 검측되었다. 도 7(c)와 같이 보행 속도가 20cm/s이면, GMM 출력은 정상 상태와 과도 상태에서 다소 동요되는 양상을 보이며, 최초 접촉 동작이 평균 26.4ms의 지연을 가지고 검측되었고, 토-오프 동작은 평균 27.7ms의 지연을 가지고 검측되었다. 토-오프 검출의 지연값은 보행 속도가 늦어질수록 증가하는 것을 알 수 있다.

본 실시예에 따른 보행 주기 검출 시스템(1)에 의하면 주기 검출에 약간의 시간적 지연이 발생하지만, 그 지연 정도는 검출된 보행 주기를 통해 보행 보정을 위한 자극 신호를 생성하여 제공하는데 큰 문제를 일으키지 않는 수준이다.

Claims (15)

1. 입각기와 유각기로 이루어지는 보행 주기를 검출하기 위한 보행 주기 검출 시스템으로서,
   신경 신호를 검출하는 신호 검출 전극체;
   상기 신경 신호로부터 보행 주기를 검출하는 보행 주기 검출 모듈을 포함하고,
   상기 보행 주기 검출 모듈은,
   연속적으로 검출되는 상기 신경 신호의 일부를 소정 시간 단위로 소거하여 복수의 분할 신경 신호로 분할하고, 각각의 분할 신경 신호의 특성 벡터들을 추출하며,
   추출된 상기 특성 벡터들을, 기구축된 입각기와 유각기에서의 신경 신호의 특성 벡터들의 확률 모델에 대입하여, 해당 분할 신경 신호의 보행 주기를 결정하는 것을 특징으로 하는 보행 주기 검출 시스템.
2. 제1항에서,
   상기 보행 주기 검출 모듈은,
   상기 신경 신호를 복수의 분할 신경 신호로 분할하는 분할 모듈;
   각각의 분할 신경 신호에서 특성 벡터들을 추출하는 특성 벡터 처리 모듈;
   상기 추출된 특성 벡터들을 상기 확률 모델에 대입하여 분할 신경 신호의 보행 주기를 결정하는 분류 모듈을 포함하는 것을 특징으로 하는 보행 주기 검출 시스템.
3. 제2항에 있어서,
   상기 보행 주기 검출 모듈은,
   보행하는 피험체의 발목의 각도를 측정하여 실제 보행 주기를 측정하고,
   실제 보행 주기 동안 검출된 신경 신호로부터 특성 벡터들을 추출하여 실제 보행 주기에서의 상기 특성 벡터들의 확률적 분포를 반영하는 학습 과정을 통해, 상기 확률 모델을 구축하는 학습 모듈을 더 포함하는 것을 특징으로 하는 보행 주기 검출 시스템.
4. 제3항에 있어서,
   상기 학습 모듈은 상기 분류 모듈의 최적의 모델 차수와 파라미터를 결정하기 위해 반복적 지역 검색 알고리즘을 이용하는 것을 특징으로 하는 보행 주기 검출 시스템.
5. 제2항에 있어서,
   상기 특성 벡터 처리 모듈은,
   상이한 유형의 신경 활동에 따른 상기 신경 신호의 시간적 패턴에서의 반복적인 특징을 특성 벡터로 추출하는 것을 특징으로 하는 보행 주기 검출 시스템.
6. 제5항에 있어서,
   상기 특성 벡터 처리 모듈은, 웨이브렛 팩킷 변환 알고리즘을 이용해 특성 벡터로 추출하는 것을 특징으로 하는 보행 주기 검출 시스템.
7. 제5항에 있어서,
   상기 특성 벡터 처리 모듈은,
   선형 직교 변환을 통해 상기 추출된 특성 벡터들의 차원 수를 감소시키는 것을 특징으로 하는 보행 주기 검출 시스템.
8. 제7항에 있어서,
   상기 특성 벡터 처리 모듈은,
   상기 추출된 특성 벡터들의 차원 수를 3차원으로 감소시키는 것을 특징으로 하는 보행 주기 검출 시스템.
9. 제1항에서,
   상기 확률 모델은 가우시안 혼합 모델인 것을 특징으로 하는 보행 주기 검출 시스템.
10. 제1항에 있어서,
    상기 보행 주기 검출 모듈에서 검출된 보행 주기에 따라 해당 보행 주기에 관련된 근육의 신경을 전기 자극을 하기 위한 자극 패턴을 생성하는 자극 패턴 생성기;
    상기 자극 패턴 생성기에서 생성된 자극 패턴에 따라 전기 자극을 생성하는 전기 자극기; 및
    상기 전기 자극기에서 생성된 전기 자극을 상기 근육의 신경에 가하기 위한 전기 자극 전극체를 더 포함하는 것을 특징으로 하는 보행 주기 검출 시스템.
11. 제10항에 있어서,
    보행 주기 검출 모듈은,
    상기 신경 신호 중에서, 상기 전기 자극에 의해 생성된 자극 잡파가 소거되도록 상기 신경 신호를 분할하는 것을 특징으로 하는 보행 주기 검출 시스템.
12. 제10항에 있어서,
    상기 전기 자극 전극체는,
    종아리 신경에 연결되는 제1 전기 자극 전극체와,
    정강이 신경에 연결되는 제2 전기 자극 전극체를 포함하는 것을 특징으로 하는 보행 주기 검출 시스템.
13. 제12항에 있어서,
    상기 신호 검출 전극체는,
    상기 제1 전기 자극 전극체와 상기 제2 전기 자극 전극체에 비해 뇌를 기준으로 근위측에 연결되는 것을 특징으로 하는 보행 주기 검출 시스템.
14. 제13항에 있어서,
    상기 신호 검출 전극체는,
    좌골 신경에 연결되는 것을 특징으로 하는 보행 주기 검출 시스템.
15. 제14항에 있어서,
    상기 전기 자극 전극체와 상기 신호 검출 전극체는 신경의 외주를 말아 연결될 수 있는 커프형 전극체인 것을 특징으로 하는 보행 주기 검출 시스템.

Images