본 논문은 고밀도 근전도 신호에서 합성곱 신경망 기반의 동작인지에서 실행시간 대비 인식정확도를 고려한 시간에 따른 데이터 적층을 통한 이미지 변환 방법을 소개한다. 제안하는 방법은 2차원 고밀도 근전도 신호 이미지를 1차원으로 변환한 후 시간에 따라 적층하는 방법이다. 제안한 방법을 검증하고자, 공개되어있는 데이터 셋을 이용하여, 시간-창 길이와 중첩 길이에 따른 인식정확도와 실행시간을 측정했다. 이를 통해, 얻은 결과는, PC환경에서, 평균적으로 시간-창 길이에 따른 인식정확도 97.78 ± 0.16 %, 실행시간 0.21 ± 0.004 ms 였고, 중첩 길이에 따른 인식정확도 98.53 ± 0.38 %, 실행시간 0.25 ± 0.07 ms 였다. 제안된 방법은 종래 CNN에서 세 번째 차원에서 합성곱 연산이 불가한 구조에서, 기존 방법들에 비해 실행시간 대비 인식정확도 향상을 보였다.
Alternative Abstract
This paper introduces a time-stacking image transform method that considers execution time versus accuracy in gesture recognition of convolutional neural network (CNN) based analysis of high-density electromyography (HD-EMG) signals. The proposed method transforms two-dimensional HD-EMG signal images into one-dimensional representation and then stacks the images by time. To validate the proposed method, we measured the accuracy and execution time by time-window length and overlap length, using public data. The average recognition accuracy based on time-window length was 97.78 ± 0.16 % and the execution time was 0.21 ± 0.004 ms. The average recognition accuracy based on overlap length was 98.53 ± 0.38 % and the execution time was 0.25 ± 0.07 ms. In the structure of the CNN that does not perform convolution in the third dimension, the proposed method shows the improvement of execution time versus recognition accuracy compared with other CNN-based methods.