머신러닝과 3D 프린팅을 이용한 저비용 인공의수 모형 (Low-cost Prosthetic Hand Model using Machine Learning and 3D Printing)

양손 절단 환자들에게 미용적 목적과 함께 기능적 목적을 갖춘 의수가 필요하며 잔존 근육의 근전도를 이용한 인공 의수에대한 연구가 활발하나 아직도 비싼 비용의 문제가 있다. 본 연구에서는 저비용의 부품과 소프트웨어인 표면 근전도 센서, 머신러닝 소프트웨어 Edge Impulse, Arduino Nano 33 BLE, 그리고 3D 프린팅을 이용하여 인공의수를 제작하고 성능을 평가하였다.
표면 근전도 센서로 획득하고 Edge Impulse에서 디지털 시그널 프로세싱 과정을 거친 신호들을 이용하여 머신러닝으로 손가락운동의 종류를 판단하는 훈련을 통해 각 손가락의 굽힘 운동신호를 의수 모델의 손가락들에 전달하였다. 디지털 시그널 프로세싱조건을 노치 필터 60 Hz, 대역필터 10-300 Hz, 그리고 샘플링 주파수 1,000 Hz로 했을 때, 머신 러닝의 정확도가 82.1%로 가장높았다. 각 손가락 굴곡 운동간에 혼동될 수 있는 가능성은 약지가 가장 높아서 검지의 운동으로 혼동될 가능성이 44.7 %이었다.
저비용 인공의수의 성공적인 개발을 위해서는 더 많은 연구가 필요하다.

Patients with amputations of both hands need prosthetic hands that serve both cosmetic andfunctional purposes, and research on prosthetic hands using electromyography of remaining muscles is active, butthere is still the problem of high cost. In this study, an artificial prosthetic hand was manufactured and itsperformance was evaluated using low-cost parts and software such as a surface electromyography sensor,machine learning software Edge Impulse, Arduino Nano 33 BLE, and 3D printing. Using signals acquired withsurface electromyography sensors and subjected to digital signal processing through Edge Impulse, the flexingmovement signals of each finger were transmitted to the fingers of the prosthetic hand model through trainingto determine the type of finger movement using machine learning. When the digital signal processing conditionswere set to a notch filter of 60 Hz, a bandpass filter of 10-300 Hz, and a sampling frequency of 1,000 Hz, theaccuracy of machine learning was the highest at 82.1%. The possibility of being confused between each fingerflexion movement was highest for the ring finger, with a 44.7% chance of being confused with the movementof the index finger. More research is needed to successfully develop a low-cost prosthetic hand.