KR102557015B1 - Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal - Google Patents

Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal Download PDF

Info

Publication number
KR102557015B1
KR102557015B1 KR1020210028490A KR20210028490A KR102557015B1 KR 102557015 B1 KR102557015 B1 KR 102557015B1 KR 1020210028490 A KR1020210028490 A KR 1020210028490A KR 20210028490 A KR20210028490 A KR 20210028490A KR 102557015 B1 KR102557015 B1 KR 102557015B1
Authority
KR
South Korea
Prior art keywords
mvic
index data
surface emg
muscle
rms
Prior art date
Application number
KR1020210028490A
Other languages
Korean (ko)
Other versions
KR20220125842A (en
Inventor
박동준
이준우
김민규
안세진
Original Assignee
주식회사 샹떼헬스케어
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 샹떼헬스케어 filed Critical 주식회사 샹떼헬스케어
Priority to KR1020210028490A priority Critical patent/KR102557015B1/en
Publication of KR20220125842A publication Critical patent/KR20220125842A/en
Application granted granted Critical
Publication of KR102557015B1 publication Critical patent/KR102557015B1/en

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Neurosurgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Developmental Disabilities (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법에 관한 것으로, 보다 구체적으로 활동전극이 피검사근육 표면의 피부에 부착된 후, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호를 검출하는 신호 검출부, 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)를 산출하고, 상기 실효치(RMS)를 이용하여 하나 이상의 판별지표 데이터를 산출하는 판별지표 데이터 산출부 및 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력하는 판별결과 출력부를 포함하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법에 관한 것이다. The present invention relates to an apparatus and method for discriminating neuromuscular disorders using surface EMG signals, and more specifically, after an action electrode is attached to the skin on the surface of a muscle to be tested, a signal detecting unit for detecting a surface EMG signal during maximum voluntary isometric contraction (MVIC) in which the muscle to be tested undergoes maximum self-contraction and a fatigue test in which the muscle to be tested repeatedly contracts, and a root mean square (RMS) for the surface EMG signal An apparatus and method for discriminating a neuromuscular disorder using a surface electromyogram signal, including a discriminant index data calculation unit that calculates one or more discriminant index data using the effective value (RMS) and a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant result output unit that outputs a discriminant index data calculation unit that calculates at least one of a normal state, myopathy, and neuropathy using the discriminant index data based on random forest technology.

Description

표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법 {Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal}Apparatus and method for determining neuromuscular disorders using surface EMG signals {Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal}

본 발명은 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법에 관한 것으로, 보다 구체적으로 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 측정되는 표면근전도 신호를 이용하여 랜덤 포레스트 기술기반으로 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법에 관한 것이다. The present invention relates to an apparatus and method for discriminating neuromuscular disorders using surface EMG signals, and more specifically, using surface EMG signals measured during Maximum Voluntary Isometric Contraction (MVIC), in which the tested muscle undergoes maximum self-contraction, and a fatigue test in which the tested muscle repeatedly contracts, a neuromuscular disorder using surface EMG signals that outputs a discrimination result as at least one of normal state, myopathy, and neuropathy based on random forest technology. It relates to a discrimination device and method.

근전도 검사란 근전도기기(electromyograph)를 사용하여 근육의 전기적 활성도를 확인하는 검사 방법으로서, 신경 자극에 대한 근육의 반응을 근육 내 전기적 변화를 감지하여 검사하는 것이다. Electromyography is a test method for checking the electrical activity of muscles using an electromyograph, and tests the response of muscles to nerve stimulation by detecting electrical changes in muscles.

근육은 신경의 지배를 받고, 근육 자체에도 미세한 전류가 항상 흐르고 있기 때문에 이를 바늘이나 전극 등으로 확인하여 근전도기기로 기록하면 말초신경에서 근육 자체에 이르기까지 근육이 제대로 활동하고 있는지를 알 수 있게 된다. Muscles are under the control of nerves, and since minute currents are always flowing in the muscles themselves, checking them with a needle or electrode and recording them with an electromyography device will tell you whether the muscles are working properly, from the peripheral nerves to the muscles themselves.

말초신경 및 근육에 여러 문제가 생겼을 경우, 종래 근육 위축과 신경 장애와 같이 근육 약화를 초래하는 근육의 상태를 찾아내기 위해 바늘을 사용하여 근육을 찔러 근전도 검사를 시행한다. When various problems occur in peripheral nerves and muscles, electromyography is performed by piercing the muscles using a needle to find out the condition of the muscles that cause muscle weakness, such as conventional muscle atrophy and nerve disorders.

그러나 상기 바늘을 이용하여 근육을 찔러 신호를 검출하는 침근전도 검사는 가장 정확한 근전도 검사 방법이나, 피검사자가 불편함을 느끼고, 활동적인 상태에서 검사할 수 없는 단점이 있다.However, acupuncture muscle conduction test, which uses a needle to stab a muscle to detect a signal, is the most accurate EMG test method, but has disadvantages in that the test subject feels uncomfortable and cannot perform the test in an active state.

즉, 상기 침 근전도 검사는 표면근전도 검사보다 신호 정확성 및 신뢰성이 우위에 있으므로, 상기 피검사자의 불편함을 감수하고서라도 시행해왔던 것이다. 따라서 표면근전도 검사를 이용하고, 정확성 및 신뢰성이 향상된 신경 근육 장애 판별장치의 개발이 시급한 실정이다.In other words, since the needle electromyography has higher signal accuracy and reliability than the surface electromyography, it has been performed even at the risk of inconvenience to the subject. Therefore, there is an urgent need to develop an apparatus for determining neuromuscular disorders using surface electromyography and having improved accuracy and reliability.

관련문헌 1은 신경근병증 진단을 위한 침 근전도 검사 결과 분석 장치 및 방법에 관한 것으로, 기계 학습 기술을 이용하여 침 근전도 검사 결과를 학습하고 분석함으로써, 침 근전도 검사 결과로부터 진단 대상자의 신경근병증을 객관적으로 진단할 수 있으나, 침 근전도를 이용하여 신경근병증을 진단하므로 피검사자가 검사 시 움직임이 자유롭지 못하여 불편함을 느끼고, 바늘에 대한 공포심, 불안감을 느낄 수 있는 문제점이 있다. Related Document 1 relates to a device and method for analyzing needle EMG test results for diagnosing radiculopathy. By learning and analyzing needle EMG test results using machine learning technology, it is possible to objectively diagnose radiculopathy of a subject from needle EMG test results. However, since radiculopathy is diagnosed using needle EMG, there are problems in that the examinee cannot move freely during the test, causing discomfort, fear of needles, and anxiety.

관련문헌 2는 표면근전도 신호를 이용한 동작 추론 방법 및 시스템에 관한 것으로, 특정 동작을 취할 때, 관련 근육 주변에 부착된 한 개 이상의 표면근전도 신호 센서를 이용하여 표면근전도 신호를 취득하고, 패턴에 대한 확률 모델을 생성한 후 특정 동작을 추론할 수 있으나, 표면근전도 신호를 이용하여 근육병증을 진단하여 의료진의 질병진단보조 장치로 사용할 수 없는 한계가 있다. Related Document 2 relates to a motion inference method and system using a surface electromyography signal. When a specific motion is taken, a surface electromyographic signal is obtained using one or more surface electromyographic signal sensors attached to the vicinity of a related muscle. After generating a probabilistic model for a pattern, a specific motion can be inferred.

KR 10-1991054KR 10-1991054 KR 10-1098012KR 10-1098012

본 발명은 상기와 같은 문제점을 해결하기 위한 것으로 피검사자의 움직임을 자유롭게 하고, 피검사자가 진단받는 동안 불편함을 느끼지 않도록 피검사 근육 표면의 피부에 활동전극이 부착되어 표면근전도 신호를 검출하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법을 얻고자 하는 것을 목적으로 한다. The present invention is intended to solve the above problems, and an object of the present invention is to obtain an apparatus and method for determining a neuromuscular disorder using a surface EMG signal in which an action electrode is attached to the skin on the surface of a muscle to be tested to detect a surface EMG signal so that a test subject does not feel uncomfortable while being diagnosed.

또한, 본 발명의 목적은 표면근전도 신호로부터 산출된 수많은 판별지표 데이터 중에서 어떠한 이유로 피검사자의 판별결과가 도출되었는지 알 수 있고, 종래 의료진의 임상학적 판단 또는 기 설정된 판별수치에 따라 신경 근육 장애를 진단하는 방법보다 판별과정이 투명하고 정확도가 향상된 판별결과를 제공할 수 있도록 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법을 제공하는 것이다. In addition, an object of the present invention is to know for what reason the test subject's discrimination result was derived from among numerous discriminant index data calculated from surface EMG signals, and to provide discrimination results that are more transparent and more accurate than conventional methods for diagnosing neuromuscular disorders according to clinical judgments by medical staff or predetermined discriminant values. A neuromuscular disorder discrimination device using surface EMG signals that outputs a discrimination result as that the test subject is at least one of normal state, myopathy, and neuropathy using the discriminant indicator data based on random forest technology, and is to provide a way

상기 목적을 달성하기 위하여, 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 장치는 활동전극이 피검사근육 표면의 피부에 부착된 후, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호를 검출하는 신호 검출부; 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)를 산출하고, 상기 실효치(RMS)를 이용하여 하나 이상의 판별지표 데이터를 산출하는 판별지표 데이터 산출부; 및 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력하는 판별결과 출력부;를 포함하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치.In order to achieve the above object, the apparatus for determining neuromuscular disorders using surface EMG signals of the present invention includes: a signal detector for detecting surface EMG signals during Maximum Voluntary Isometric Contraction (MVIC), in which an action electrode is attached to the skin on the surface of a muscle to be tested, and a fatigue test in which the muscle to be tested is repeatedly contracted; a discriminant index data calculation unit that calculates a Root Mean Square (RMS) for the surface EMG signal and calculates one or more discriminant index data using the root mean square (RMS); and a determination result output unit configured to output a determination result indicating that the test subject is at least one of normal state, myopathy, and neuropathy using the discrimination index data based on random forest technology.

상기 목적을 달성하기 위하여, 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 방법은 신호 검출부에 의하여, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호가 검출되는 신호 검출단계; 판별지표 데이터 산출부에 의하여, 상기 표면근전도 신호에 대한 하나의 실효치(Root Mean Square; RMS)가 산출되고, 상기 실효치(RMS)가 이용되어 하나 이상의 판별지표 데이터가 산출되는 판별지표 데이터 산출단계; 및 판별결과 출력부에 의하여, 랜덤 포레스트 기술기반으로 상기 판별지표 데이터가 이용되어 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과가 출력되는 판별결과 출력단계;를 제공한다. In order to achieve the above object, the neuromuscular disorder discrimination method using the surface EMG signal of the present invention includes maximum voluntary isometric contraction (MVIC) in which the tested muscle has maximum self-contraction and a signal detection step in which the surface EMG signal is detected during a fatigue test in which the tested muscle is repeatedly contracted; A discriminant index data calculation step in which one Root Mean Square (RMS) for the surface EMG signal is calculated by a discriminant index data calculator, and one or more discriminant index data is calculated using the root mean square (RMS); and a determination result output step of outputting a determination result that the subject is at least one of a normal state, myopathy, and neuropathy by using the discrimination index data based on random forest technology by a determination result output unit.

이상과 같이 본 발명에 의하면 피검사 근육 표면의 피부에 활동전극이 부착되어 표면근전도 신호를 검출하도록 구성함으로써 피검사자의 움직임을 자유롭게 하고, 피검사자가 진단받는 동안 불편함을 느끼지 않는 효과가 있다. As described above, according to the present invention, the action electrode is attached to the skin on the surface of the muscle to be tested to detect surface EMG signals, thereby freeing the subject's movement and preventing the subject from feeling uncomfortable during diagnosis.

또한, 본 발명은 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력함으로써 표면근전도 신호로부터 산출한 수많은 판별지표 데이터 중에서 어떠한 이유로 피검사자의 판별결과가 도출되었는지 알 수 있고 종래 의료진의 임상학적 판단 또는 기 설정된 판별수치에 따라 신경 근육 장애를 진단하는 방법보다 판별과정이 투명하고 정확도가 향상된 판별결과를 제공할 수 있는 효과가 있다. In addition, the present invention, based on random forest technology, outputs a discrimination result that the test subject is at least one of a normal state, myopathy, and neuropathy using the discriminant index data, so that it is possible to know for what reason the subject's discriminant result was derived among numerous discriminant index data calculated from surface EMG signals, and has an effect of providing discrimination results with improved accuracy and a more transparent discrimination process than conventional methods of diagnosing neuromuscular disorders based on clinical judgment or preset discriminant values by medical staff.

도 1은 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 구성도이다.
도 2는 본 발명의 일실시예에 따른 다수 개의 표면근전도 신호를 표시한 도면이다.
도 3은 본 발명의 일실시예에 따른 반복 수축에 따른 표면근전도 신호가 5개의 구간으로 분할된 것을 표시한 도면이다.
도 4는 본 발명의 일실시예에 따른 1번째 내지 N번째 반복운동의 1구간 내지 5구간에서의 정규화 수치(%MVIC)를 표시한 도면이다.
도 5는 본 발명의 일실시예에 따른 랜덤 포레스트 기술기반의 판별결과 출력부를 표시한 도면이다.
도 6은 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 방법 흐름도이다. 1 is a block diagram of an apparatus for discriminating neuromuscular disorders using surface electromyography signals according to the present invention.
2 is a diagram showing a plurality of surface EMG signals according to an embodiment of the present invention.
3 is a diagram showing that a surface EMG signal according to repeated contraction according to an embodiment of the present invention is divided into five sections.
4 is a diagram showing normalized values (%MVIC) in sections 1 to 5 of the 1st to Nth repetitions according to an embodiment of the present invention.
5 is a diagram showing a determination result output unit based on random forest technology according to an embodiment of the present invention.
6 is a flowchart of a method for discriminating a neuromuscular disorder using a surface electromyography signal according to the present invention.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in this specification have been selected from general terms that are currently widely used as much as possible while considering the functions in the present invention, but these may vary depending on the intention of a person skilled in the art, precedent, or the emergence of new technologies. In addition, in a specific case, there is also a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the invention. Therefore, the term used in the present invention should be defined based on the meaning of the term and the overall content of the present invention, not simply the name of the term.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and are not interpreted in an ideal or excessively formal sense unless explicitly defined in the present application.

표면근전도 신호를 이용한 신경 근육 장애 판별 장치Neuromuscular Disorder Discrimination Device Using Surface EMG Signals

이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 1은 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 장치(100) 구성도이다. Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. 1 is a block diagram of an apparatus 100 for determining neuromuscular disorders using surface electromyography signals according to the present invention.

도 1을 보면, 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 장치(100)는 신호 검출부(110), 판별지표 데이터 산출부(120) 및 판별결과 출력부(130)를 포함한다.Referring to FIG. 1 , an apparatus 100 for determining a neuromuscular disorder using a surface EMG signal according to the present invention includes a signal detection unit 110, a discrimination index data calculation unit 120, and a determination result output unit 130.

보다 구체적으로, 상기 신호 검출부(110)는 활동전극이 피검사근육 표면의 피부에 부착된 후, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호를 검출한다.More specifically, the signal detector 110 detects surface EMG signals during Maximum Voluntary Isometric Contraction (MVIC), in which the muscle to be tested is maximally self-contracted, and fatigue test in which the muscle to be tested is repeatedly contracted, after the action electrode is attached to the skin on the surface of the muscle to be tested.

도 2는 본 발명의 일실시예에 따른 다수 개의 표면근전도 신호를 표시한 도면이다. 도 2를 보면, 피검사근육이 한 번 수축되는 이벤트가 발생할 때 하나의 표면근전도 신호가 검출될 수 있고, 하나의 상기 표면근전도 신호는 다수 개의 활동전위들이 혼합되어 있는 것을 확인할 수 있다.2 is a diagram showing a plurality of surface EMG signals according to an embodiment of the present invention. Referring to FIG. 2 , it can be confirmed that one surface EMG signal can be detected when an event in which the tested muscle contracts once occurs, and a plurality of action potentials are mixed in one surface EMG signal.

피검사자는 피검사근육의 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피로시험(Fatigue Test)을 수행할 수 있다. 최대 자발적 등척성 운동(MVIC)은 피검사자의 최대의 힘으로 피검사근육을 수축하는 운동이고, 이에 따라 상기 신호 검출부(110)는 최대 표면근전도 신호를 검출할 수 있다. 피로시험은 피검사자가 40bpm과 같은 특정 간격에 맞춰 손목을 올렸다 내렸다 하는 운동이다. 이에 따라 상기 신호 검출부(110)는 다수 개의 표면근전도 신호를 연결된 형상으로 검출할 수 있다. The test subject can perform Maximum Voluntary Isometric Contraction (MVIC) and Fatigue Test of the muscle to be tested. Maximal voluntary isometric motion (MVIC) is an exercise in which the test subject contracts the test muscle with the maximum force, and accordingly, the signal detector 110 can detect the maximum surface EMG signal. The fatigue test is an exercise in which the test subject raises and lowers the wrist at a specific interval, such as 40 bpm. Accordingly, the signal detector 110 may detect a plurality of surface EMG signals in a connected shape.

다음으로, 상기 판별지표 데이터 산출부(120)는 상기 표면근전도 신호에 대한 하나의 실효치(RMS)를 산출하고, 상기 실효치(RMS)를 이용하여 하나 이상의 판별지표 데이터를 산출한다. Next, the discriminant index data calculator 120 calculates one effective value (RMS) for the surface EMG signal, and calculates one or more discriminant index data using the effective value (RMS).

다시 말하면, 상기 신호 검출부(110)로부터 검출된 상기 표면근전도 신호는 전처리되지 않은 상태로 판별지표 데이터를 산출하는데 어려움이 있다. 이에 따라, 상기 판별지표 데이터 산출부(120)는 상기 판별지표 데이터를 산출할 수 있도록 정제된 값인 하나의 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)를 산출할 수 있다. 도 2를 보면, 파란색 그래프는 정제되지 않은 상기 표면근전도 신호가 표시된 것이다, 그리고 앞서 언급했듯이 상기 표면근전도 신호는 다수 개의 활동전위들이 혼합되어 있으므로, 주황색 그래프는 각각의 활동전위에 대한 실효치(RMS)가 표시된 것이다.In other words, it is difficult to calculate discriminant index data without the surface EMG signal detected by the signal detector 110 being preprocessed. Accordingly, the discriminant index data calculation unit 120 may calculate a root mean square (RMS) for one surface EMG signal, which is a value refined to calculate the discriminant index data. Referring to FIG. 2, the blue graph represents the unrefined surface EMG signal, and as mentioned above, since the surface EMG signal is a mixture of a plurality of action potentials, the orange graph represents the effective value (RMS) for each action potential.

가장 바람직하게, 본원발명은 피검사자의 운동 종류에 따라서 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)를 산출할 수 있다. 우선, 상기 신호 검출부(110)는 피검사자가 최대 자발적 등척성 운동(MVIC) 시 피검사근육의 최대 수축에 따른 최대 표면근전도 신호를 검출할 수 있고, 상기 판별지표 데이터 산출부(120)는 상기 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)를 산출할 수 있다. 이는, 하기 [표 1]의 특징값 1일 수 있다.Most preferably, the present invention may calculate a Root Mean Square (RMS) for the surface electromyography signal according to the type of exercise of the test subject. First of all, the signal detection unit 110 may detect the maximum surface EMG signal according to the maximum contraction of the muscle to be tested when the subject undergoes maximum voluntary isometric movement (MVIC), and the discrimination index data calculation unit 120 may calculate the MVIC maximum effective value (RMS MVIC ) for the maximum surface EMG signal. This may be the characteristic value 1 of [Table 1] below.

또한, 상기 신호 검출부(110)는 피검사자가 피로시험(Fatigue Test) 시 피검사근육의 반복 수축에 따른 표면근전도 신호를 검출할 수 있고, 상기 판별지표 데이터 산출부(120)는 반복 수축에 따른 표면근전도 신호에 대한 반복 실효치(RMSRE)를 산출할 수 있다. 이는, 하기 [표 1]의 특징값 4일 수 있다. In addition, the signal detection unit 110 may detect a surface EMG signal according to repeated contraction of the muscle to be tested during a fatigue test by the test subject, and the discrimination index data calculation unit 120 may calculate a repeated effective value (RMS RE ) for the surface EMG signal according to repeated contraction. This may be the feature value 4 in [Table 1] below.

이때, 상기 판별지표 데이터 산출부(120)는 반복 수축에 따른 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할할 수 있다. 예컨대, 도 3은 본 발명의 일실시예에 따른 반복 수축에 따른 표면근전도 신호가 5개의 구간으로 분할된 것을 표시한 도면이다. 도 3을 보면, 반복 수축에 따른 표면근전도 신호 1초 동안 검출되었다면 각 0.2초의 동일한 간격을 갖는 제1 구간 내지 제5 구간으로 분할될 수 있고, 상기 판별지표 데이터 산출부(120)는 각 구간별 반복 실효치(RMSRE)의 평균값을 산출할 수 있다. 이는 하기 [표 1]에서 특징값 5 내지 9이다. At this time, the discriminant index data calculation unit 120 may divide the surface EMG signal according to repeated contraction to have a preset number of sections. For example, FIG. 3 is a diagram showing that a surface EMG signal according to repeated contraction according to an embodiment of the present invention is divided into five sections. Referring to FIG. 3 , if a surface EMG signal according to repeated contraction is detected for 1 second, it can be divided into first to fifth sections having equal intervals of 0.2 second each, and the discrimination index data calculation unit 120 can calculate the average value of the repeated effective value (RMS RE ) for each section. These are characteristic values 5 to 9 in the following [Table 1].

한편, 상기 판별지표 데이터 산출부(120)는 여러 종류의 상기 판별지표 데이터를 산출하기 위하여 정규화 수치 산출부(121), 중앙주파수 산출부(122) 및 조합 수치 산출부(123)를 포함할 수 있다.On the other hand, the discrimination index data calculation unit 120 may include a normalization value calculation unit 121, a center frequency calculation unit 122, and a combination value calculation unit 123 to calculate various types of the discrimination indicator data.

보다 구체적으로, 상기 정규화 수치 산출부(121)는 최대 자발적 등척성 운동(MVIC) 시 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)를 이용하여 정규화 수치(%MVIC)를 산출하고, 상기 다수 개의 정규화 수치(%MVIC)에 대한 평균과 표준편차를 산출할 수 있다. More specifically, the normalization value calculation unit 121 may calculate a normalization value (%MVIC) using the maximum effective value (RMS MVIC ) of the MVIC for the maximum surface EMG signal during maximum voluntary isometric motion (MVIC), and calculate the average and standard deviation of the plurality of normalized values (%MVIC).

가장 바람직하게, 상기 정규화 수치 산출부(121)는 하기 [수학식 1]로 상기 정규화 수치(%MVIC)를 산출할 수 있다. 이에 따라, 피로시험(Fatigue Test) 시 검출된 상기 표면근전도 신호에 대한 다수 개의 실효치(RMS)의 정규화가 가능하다. 이는 하기 [표 1]의 특징값 2이다. Most preferably, the normalization value calculation unit 121 may calculate the normalization value (%MVIC) by the following [Equation 1]. Accordingly, it is possible to normalize a plurality of effective values (RMS) for the surface EMG signal detected during a fatigue test. This is characteristic value 2 in [Table 1] below.

여기서, %MVIC는 정규화 수치이고, RMS는 피로시험(Fatigue Test) 시 검출되는 표면근전도 신호에 대한 다수 개의 실효치이고, RMSMVIC는 최대 자발적 등척성 운동(MVIC) 운동 시 검출되는 최대 표면근전도 신호에 대한 최대 실효치이다. Here, %MVIC is a normalized value, RMS is a plurality of RMS values for surface EMG signals detected during a fatigue test, and RMS MVIC is a maximum RMS value for the maximum surface EMG signal detected during maximal voluntary isometric exercise (MVIC).

한편, 상기 정규화 수치 산출부(121)는 최대 자발적 등척성 운동(MVIC)에 따른 최대 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할할 수 있다. 예컨대, 최대 표면근전도 신호가 제1 구간 내지 제5 구간으로 분할될 수 있고, 상기 정규화 수치 산출부(121)는 각 구간별 정규화 수치(%MVIC)를 산출할 수 있고, 각 구간별 다수 개의 정규화 수치(%MVIC)에 대한 평균과 표준편차를 각각 산출할 수 있다. 이는 하기 [표 1]의 특징값 10 내지 19이다. Meanwhile, the normalization value calculation unit 121 may divide the maximum surface EMG signal according to maximum voluntary isometric motion (MVIC) to have a preset number of sections. For example, the maximum surface EMG signal may be divided into first to fifth sections, and the normalized value calculation unit 121 may calculate a normalized value (%MVIC) for each section, and may calculate an average and a standard deviation for a plurality of normalized values (%MVIC) for each section, respectively. These are characteristic values 10 to 19 in the following [Table 1].

다음으로, 상기 중앙주파수 산출부(122)는 피검사근육의 반복 수축 시 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)를 산출하고, 상기 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차를 산출할 수 있다. Next, the central frequency calculation unit 122 calculates the central frequency (MDF) for a plurality of surface EMG signals during repeated contraction of the muscle to be tested, and calculates the average and standard deviation for the plurality of central frequencies (MDF). Can be calculated.

즉, 앞서 언급한 것과 같이 피시험자의 피로시험(Fatigue Test) 시 피검사근육이 반복 수축되면 상기 신호 검출부(110)는 다수 개의 표면근전도 신호를 검출하고, 상기 중앙주파수 산출부(122)는 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)를 하기 [수학식 2]로 각각 산출할 수 있다.That is, as mentioned above, when the tested muscle is repeatedly contracted during the fatigue test of the test subject, the signal detector 110 detects a plurality of surface EMG signals, and the central frequency calculator 122 The central frequency (MDF) for the plurality of surface EMG signals can be calculated by [Equation 2], respectively.

여기서, MDF는 중앙주파수이고, 하나의 표면근전도 신호 그래프(P(f))를 동일한 면적을 갖도록 나눌 수 있는 주파수로 정의될 수 있다. 이는 하기 [표 1]의 특징값 3이다. Here, the MDF is the center frequency and may be defined as a frequency that can divide one surface EMG signal graph P(f) to have the same area. This is characteristic value 3 in [Table 1] below.

한편, 상기 중앙주파수 산출부(122)는 반복 수축에 따른 다수 개의 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할할 수 있다. 예컨대, 다수 개의 표면근전도 신호가 제1 구간 내지 제5 구간으로 분할될 수 있고, 상기 중앙주파수 산출부(122)는 각 구간별 중앙주파수(MDF)를 산출할 수 있다. 그리고 각 구간별 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차를 각각 산출할 수 있다. 이는 하기 [표 1]의 특징값 20 내지 29이다. Meanwhile, the central frequency calculator 122 may divide a plurality of surface EMG signals according to repeated contractions to have a preset number of sections. For example, a plurality of surface EMG signals may be divided into first to fifth sections, and the center frequency calculation unit 122 may calculate the center frequency (MDF) for each section. In addition, the average and standard deviation of a plurality of center frequencies (MDFs) for each section may be calculated. These are characteristic values 20 to 29 of the following [Table 1].

다음으로, 상기 조합 수치 산출부(123)는 상기 MVIC 최대 실효치(RMSMVIC), 상기 정규화 수치(%MVIC)의 평균값, 상기 중앙주파수(MDF)의 평균값을 조합하여 조합 수치를 산출할 수 있다. 상기 조합 수치는 하기 [수학식 3]으로 산출될 수 있다. 이는 하기 [표 1]의 특징값 36이다.Next, the combined numerical value calculator 123 may calculate a combined numerical value by combining the maximum effective value of MVIC (RMS MVIC ), the average value of the normalized numerical value (%MVIC), and the average value of the center frequency (MDF). The combination value can be calculated by the following [Equation 3]. This is the characteristic value 36 of [Table 1] below.

여기서, CF는 조합 수치(Combination Feature)이고, MDF는 중앙주파수의 평균값이고, RMSMVIC는 최대 실효치이고, %MVIC는 정규화 수치 평균값이다. Here, CF is a combination feature, MDF is the average value of the center frequency, RMS MVIC is the maximum effective value, and %MVIC is the normalized average value.

한편, 도 4는 본 발명의 일실시예에 따른 1번째 내지 N번째 반복운동의 1구간 내지 5구간에서의 정규화 수치(%MVIC)를 표시한 도면이다. 도 4를 보면, 본원발명의 상기 정규화 수치 산출부(121)는 시작(Start)과 끝(Finish) 지점의 정규화 수치(%MVICSTART, %MVICFINISH)를 더 산출할 수 있다. Meanwhile, FIG. 4 is a diagram showing normalized values (%MVIC) in sections 1 to 5 of the 1st to Nth repetitions according to an embodiment of the present invention. Referring to FIG. 4 , the normalization value calculating unit 121 of the present invention may further calculate normalization values (%MVIC START , %MVIC FINISH ) of start and finish points.

예컨대, 시작 지점은 도 4와 같이 1번째 내지 10번째에서 1구간 내지 2구간을 포함할 수 있다. 끝 지점은 도 4와 같이 N번째 내지 N-10번째에서 4구간 내지 5구간을 포함할 수 있다. 즉, 해당 구간에서의 정규화 수치(%MVIC)의 평균값이 시작(Start)과 끝(Finish) 지점의 정규화 수치(%MVICSTART, %MVICFINISH)로 산출될 수 있다. 이는 하기 [표 1]의 특징값 30 내지 31이다. 그리고 상기 정규화 수치 산출부(121)는 하기 [수학식 4]를 이용하여 시작(Start)과 끝(Finish) 지점 간의 정규화 수치(%MVIC)에 대한 변동율(frc)을 산출할 수 있다. 이는 하기 [표 1]의 특징값 32이다.For example, the starting point may include sections 1 to 2 in the 1st to 10th sections as shown in FIG. 4 . As shown in FIG. 4, the end point may include sections 4 to 5 in the Nth to N-10th sections. That is, the average value of the normalized values (%MVIC) in the corresponding section may be calculated as the normalized values (%MVIC START , %MVIC FINISH ) at the start and finish points. These are characteristic values 30 to 31 of the following [Table 1]. In addition, the normalization value calculation unit 121 may calculate the rate of change (f rc ) for the normalization value (%MVIC) between the start and finish points using the following [Equation 4]. This is the feature value 32 in [Table 1] below.

상기 중앙주파수 산출부(122)는 동일한 방식으로 시작(Start)과 끝(Finish) 지점의 중앙주파수(MDFSTART, MDFFINISH)를 산출할 수 있다. 이는 하기 [표 1]의 특징값 33 내지 34이다. 그리고 중앙주파수 산출부(122)는 하기 [수학식 4]를 이용하여 시작(Start)과 끝(Finish) 지점 간의 중앙주파수(MDF)에 대한 변동율(frc)을 산출할 수 있다. 이는 상기 [표 1]의 특징값 35이다.The center frequency calculator 122 may calculate the center frequencies (MDF START and MDF FINISH ) of start and finish points in the same manner. These are characteristic values 33 to 34 in the following [Table 1]. In addition, the central frequency calculator 122 may calculate a rate of change (f rc ) of the central frequency (MDF) between the start and finish points using Equation 4 below. This is the characteristic value 35 of [Table 1] above.

여기서, frc는 해당 판별지표의 변동율이고, ffinish는 끝 지점의 정규화 수치(%MVIC) 또는 중앙주파수(MDF)일 수 있고, fstart는 시작 지점의 정규화 수치(%MVIC) 또는 중앙주파수(MDF)일 수 있다. Here, f rc is the rate of change of the discriminant index, f finish may be the normalized value (%MVIC) or center frequency (MDF) at the end point, and f start may be the normalized value (%MVIC) or center frequency (MDF) at the start point.

따라서, 상기 판별지표를 정리해보면 하기 [표 1]과 같다. 그리고 상기 판별지표 데이터 산출부(120)는 하기 [표 1]에 언급된 36개의 특징값을 모두 산출하는 것이 가장 바람직하다.Therefore, the discriminant index is summarized in [Table 1] below. And it is most preferable that the discrimination index data calculation unit 120 calculates all of the 36 feature values mentioned in [Table 1] below.

다음으로, 상기 판별결과 출력부(130)는 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력할 수 있다. Next, the determination result output unit 130 may output a determination result indicating that the subject is at least one of a normal state, myopathy, and neuropathy using the discrimination index data based on random forest technology.

가장 바람직하게, 상기 판별결과 출력부(130)는 이진 분류기 기반의 제1 랜덤 포레스트 앙상블 모델과 제2 랜덤 포레스트 앙상블 모델이 연결된 형태로 구비되는 것을 특징으로 한다. Most preferably, the discrimination result output unit 130 is characterized in that a binary classifier-based first random forest ensemble model and a second random forest ensemble model are connected.

여기서, 랜덤 포레스트 기술을 설명하기에 앞서, 의사결정 트리를 설명할 수 있다. 의사결정 트리는 랜덤 포레스트 기술의 기초가 되는 알고리즘으로, 임의의 특징(Feature) 또는 등호 조건에 따라 하위 노드(Node)가 결정되어 데이터가 해당하는 클래스를 판별하는 방식이다. 의사결정 트리는 복잡한 데이터 셋도 학습할 수 있고, 결과값이 왜, 어떻게 나왔는지 그 이유를 알 수 있는 알고리즘이다. 그리고 의사결정 트리는 엔트로피(Entropy) 또는 불순도(Impurity)가 작아지는 방향으로 진행되어 최종적으로 결과값이 도출되는 것을 특징으로 한다. 임의의 특징(Feature) 또는 등호 조건 중에서 엔트로피(Entropy) 또는 불순도(Impurity)가 가장 작아지도록 하는 조건이 상단 조건으로 배치될 수 있다. Here, prior to explaining the random forest technique, a decision tree can be explained. A decision tree is an algorithm that is the basis of random forest technology, and is a method of determining a class to which data corresponds by determining a lower node according to an arbitrary feature or equality condition. A decision tree is an algorithm that can learn complex data sets and know why and how the result came out. Further, the decision tree is characterized in that entropy or impurity proceeds in a direction in which a result value is finally derived. A condition that makes entropy or impurity the smallest among arbitrary feature or equality conditions may be placed as the upper end condition.

또한, 랜덤 포레스트는 이러한 의사결정 트리가 다수 개 구비한 알고리즘으로, 각기 다른 서브세트를 만들어 개별적으로 데이터를 개별적으로 학습하도록 한 후 결과값 중 가장 많은 선택을 받은 클래스가 최종 결과값으로 도출되는 것을 특징으로 한다. 랜덤 포레스트는 복잡한 데이터 구조 및 다차원 특징 공간에 대한 분류 성능이 탁월하다.In addition, the random forest is an algorithm equipped with a plurality of such decision trees. It is characterized by making different subsets and learning the data individually, and then the class that has been selected the most among the result values is derived as the final result value. Random forests have excellent classification performance for complex data structures and multi-dimensional feature spaces.

도 5는 본 발명의 일실시예에 따른 랜덤 포레스트 기술기반의 판별결과 출력부(130)를 표시한 도면이다. 도 5를 보면, 상기 판별결과 출력부(130)는 우선적으로 상기 제1 랜덤 포레스트 앙상블 모델을 이용하여 상기 판별지표 데이터를 정상 클래스와 비정상 클래스 중 하나로 분류할 수 있다. 5 is a diagram showing a determination result output unit 130 based on random forest technology according to an embodiment of the present invention. Referring to FIG. 5 , the discrimination result output unit 130 may first classify the discrimination index data into one of a normal class and an abnormal class by using the first random forest ensemble model.

그리고 상기 판별결과 출력부(130)는 상기 판별지표 데이터가 상기 비정상 클래스로 분류된다면 상기 제2 랜덤 포레스트 앙상블 모델을 이용하여 상기 판별지표 데이터를 근육병증 클래스와 신경병증 클래스 중 하나로 분류할 수 있다. If the discrimination index data is classified into the abnormal class, the determination result output unit 130 may classify the discrimination index data into one of a myopathy class and a neuropathic class using the second random forest ensemble model.

이때, 상기 제1 랜덤 포레스트 앙상블 모델 및 제2 랜덤 포레스트 앙상블 모델 내 의사결정 트리에는 상기 판별지표가 상위 노드에서 하위 노드로 진행될 수 있는 임의의 조건으로 사용될 수 있다. 가장 바람직하게, 상기 [표 1]의 모든 판별지표 중에서 하기 [표 2]의 판별지표가 순서대로 상기 불순도를 감소시키는 것을 특징으로 한다. 앞서 언급한 것과 같이 불순도를 상당히 감소시키는 조건이 상위에 있을수록 효율적인 분류가 가능하다. In this case, the decision tree in the first random forest ensemble model and the second random forest ensemble model may be used under an arbitrary condition that the discriminant index may proceed from an upper node to a lower node. Most preferably, among all the discrimination indicators in [Table 1], the discrimination indicators in [Table 2] are characterized in that the impurity is decreased in order. As mentioned above, more efficient classification is possible when the conditions for significantly reducing impurities are higher.

표면근전도 신호를 이용한 신경 근육 장애 판별 방법 Neuromuscular Disorder Discrimination Method Using Surface EMG Signals

이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 6은 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 방법 흐름도이다. Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. 6 is a flowchart of a method for discriminating a neuromuscular disorder using a surface electromyography signal according to the present invention.

도 6을 보면, 본 발명의 표면근전도 신호를 이용한 신경 근육 장애 판별 방법은 신호 검출단계(S100), 판별지표 데이터 산출단계(S200) 및 판별결과 출력단계(S300)를 포함한다. Referring to FIG. 6 , the neuromuscular disorder discrimination method using the surface EMG signal of the present invention includes a signal detection step (S100), a discrimination index data calculation step (S200), and a discrimination result output step (S300).

보다 구체적으로, 상기 신호 검출단계(S100)는 신호 검출부(110)에 의하여, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호가 검출된다.More specifically, in the signal detection step (S100), the maximum voluntary isometric contraction (MVIC) in which the muscle to be tested is maximally contracted by the signal detector 110 and the muscle to be tested is repeatedly contracted. During a fatigue test (Fatigue Test), a surface EMG signal is detected.

도 2를 보면, 피검사근육이 한 번 수축되는 이벤트가 발생할 때 하나의 표면근전도 신호가 검출될 수 있고, 하나의 상기 표면근전도 신호는 다수 개의 활동전위들이 혼합되어 있는 것을 확인할 수 있다.Referring to FIG. 2 , it can be confirmed that one surface EMG signal can be detected when an event in which the tested muscle contracts once occurs, and a plurality of action potentials are mixed in one surface EMG signal.

피검사자는 피검사근육의 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피로시험(Fatigue Test)을 수행할 수 있다. 최대 자발적 등척성 운동(MVIC)은 피검사자의 최대의 힘으로 피검사근육을 수축하는 운동이고, 이에 따라 상기 신호 검출단계(S100)는 최대 표면근전도 신호가 검출될 수 있다. 피로시험은 피검사자가 40bpm과 같은 특정 간격에 맞춰 손목을 올렸다 내렸다 하는 운동이다. 이에 따라 상기 신호 검출단계(S100)는 다수 개의 표면근전도 신호가 연결된 형상으로 검출될 수 있다. 즉, 상기 신호 검출단계(S100)는 피검사자의 운동 종류에 따라 상기 표면근전도 신호가 하나 이상이 검출될 수 있다. The test subject can perform Maximum Voluntary Isometric Contraction (MVIC) and Fatigue Test of the muscle to be tested. The maximal voluntary isometric movement (MVIC) is an exercise in which the test subject contracts the test muscle with the maximum force, and accordingly, the maximum surface EMG signal can be detected in the signal detection step (S100). The fatigue test is an exercise in which the test subject raises and lowers the wrist at a specific interval, such as 40 bpm. Accordingly, in the signal detection step (S100), a plurality of surface EMG signals may be detected in a connected shape. That is, in the signal detection step (S100), one or more surface EMG signals may be detected according to the type of exercise of the test subject.

다음으로, 상기 판별지표 데이터 산출단계(S200)는 상기 판별지표 데이터 산출부(120)에 의하여, 상기 표면근전도 신호에 대한 하나의 실효치(RMS)가 산출되고, 상기 실효치(RMS)가 이용되어 하나 이상의 판별지표 데이터가 산출된다. Next, in the discriminant index data calculation step (S200), one effective value (RMS) for the surface EMG signal is calculated by the discriminant index data calculator 120, and the RMS is used to calculate one or more discriminant index data.

다시 말하면, 상기 신호 검출단계(S100)로부터 검출된 상기 표면근전도 신호는 전처리되지 않은 상태로 판별지표 데이터가 산출되는데 어려움이 있다. 이에 따라, 상기 판별지표 데이터 산출단계(S200)는 상기 판별지표 데이터가 산출되기 용이하도록 정제된 값인 하나의 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)가 산출될 수 있다. 도 2를 보면, 파란색 그래프는 정제되지 않은 상기 표면근전도 신호가 표시된 것이다, 그리고 앞서 언급했듯이 상기 표면근전도 신호는 다수 개의 활동전위들이 혼합되어 있으므로, 주황색 그래프는 각각의 활동전위에 대한 실효치(RMS)가 표시된 것이다.In other words, it is difficult to calculate discrimination index data without preprocessing the surface EMG signal detected in the signal detection step (S100). Accordingly, in the discriminant index data calculation step (S200), a Root Mean Square (RMS) for one surface EMG signal, which is a value refined to facilitate calculation of the discriminant index data, may be calculated. Referring to FIG. 2, the blue graph represents the unrefined surface EMG signal, and as mentioned above, since the surface EMG signal is a mixture of a plurality of action potentials, the orange graph represents the effective value (RMS) for each action potential.

가장 바람직하게, 본원발명은 피검사자의 운동 종류에 따라서 상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)가 산출될 수 있다. 우선, 상기 신호 검출단계(S100)는 피검사자가 최대 자발적 등척성 운동(MVIC) 시 피검사근육의 최대 수축에 따른 최대 표면근전도 신호가 검출될 수 있고, 상기 판별지표 데이터 산출단계(S200)는 상기 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)가 산출될 수 있다. 이는 상기 [표 1]에서 특징값 1이다. Most preferably, according to the present invention, a root mean square (RMS) of the surface electromyography signal can be calculated according to the type of exercise of the test subject. First, in the signal detection step (S100), the maximum surface EMG signal according to the maximum contraction of the muscle to be tested can be detected when the test subject undergoes maximum voluntary isometric movement (MVIC), and in the discriminant index data calculation step (S200), the MVIC maximum effective value (RMS MVIC ) for the maximum surface EMG signal can be calculated. This is characteristic value 1 in [Table 1] above.

또한, 상기 신호 검출단계(S100)는 피검사자가 피로시험(Fatigue Test) 시 피검사근육의 반복 수축에 따른 표면근전도 신호가 검출될 수 있고, 상기 판별지표 데이터 산출단계(S200)는 반복 수축에 따른 표면근전도 신호에 대한 반복 실효치(RMSRE)가 산출될 수 있다. 이는 상기 [표 1]에서 특징값 4이다. In addition, in the signal detection step (S100), the surface EMG signal according to the repeated contraction of the muscle to be tested can be detected when the test subject undergoes a fatigue test, and in the discriminant index data calculation step (S200), the repeated effective value (RMS RE ) for the surface EMG signal according to the repeated contraction can be calculated. This is feature value 4 in [Table 1] above.

이때, 상기 판별지표 데이터 산출단계(S200)는 반복 수축에 따른 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할될 수 있다. 예컨대, 도 3을 보면, 반복 수축에 따른 표면근전도 신호 1초 동안 검출되었다면 각 0.2초의 동일한 간격을 갖는 제1 구간 내지 제5 구간으로 분할될 수 있고, 상기 판별지표 데이터 산출단계(S200)는 각 구간별 반복 실효치(RMSRE)의 평균값이 산출될 수 있다. 이는 상기 [표 1]에서 특징값 5 내지 9이다. In this case, in the discriminant index data calculation step (S200), the surface EMG signal according to repeated contraction may be divided to have a preset number of sections. For example, referring to FIG. 3 , if a surface EMG signal according to repeated contraction is detected for 1 second, it can be divided into first to fifth sections having equal intervals of 0.2 second each, and in the discriminant index data calculation step (S200), the average value of the repeated effective value (RMS RE ) for each section can be calculated. These are characteristic values 5 to 9 in [Table 1] above.

한편, 상기 판별지표 데이터 산출단계(S200)는 여러 종류의 상기 판별지표 데이터를 산출하기 위하여 정규화 수치 산출단계(S210), 중앙주파수 산출단계(S220) 및 조합 수치 산출단계(S230)를 포함할 수 있다.On the other hand, the discriminant index data calculation step (S200) may include a normalized value calculation step (S210), a center frequency calculation step (S220), and a combination value calculation step (S230) to calculate various types of the discriminant indicator data.

보다 구체적으로, 정규화 수치 산출단계(S210)는, 상기 정규화 수치 산출부(121)에 의하여, 최대 자발적 등척성 운동(MVIC) 시 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)가 이용되어 정규화 수치(%MVIC)가 산출되고, 상기 다수 개의 정규화 수치에 대한 평균과 표준편차가 산출될 수 있다. More specifically, in the normalization value calculation step (S210), the normalization value (%MVIC) is calculated by using the maximum effective value (RMS MVIC ) of the MVIC for the maximum surface EMG signal during maximum voluntary isometric motion (MVIC) by the normalization value calculation unit 121, and the average and standard deviation of the plurality of normalized values may be calculated.

가장 바람직하게, 상기 정규화 수치 산출단계(S210)는 상기 [수학식 1]로 상기 정규화 수치(%MVIC)가 산출될 수 있다. 이에 따라, 피로시험(Fatigue Test) 시 검출된 상기 표면근전도 신호에 대한 다수 개의 실효치(RMS)의 정규화가 가능하다. 이는 상기 [표 1]의 특징값 2이다. Most preferably, in the normalization value calculation step (S210), the normalization value (%MVIC) may be calculated by [Equation 1]. Accordingly, it is possible to normalize a plurality of effective values (RMS) for the surface EMG signal detected during a fatigue test. This is feature value 2 in [Table 1] above.

또한, 상기 정규화 수치 산출단계(S210)는 최대 자발적 등척성 운동(MVIC)에 따른 최대 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할될 수 있다. 예컨대, 최대 표면근전도 신호가 제1 구간 내지 제5 구간으로 분할될 수 있고, 각 구간별 정규화 수치(%MVIC)가 산출될 수 있고, 각 구간별 다수 개의 정규화 수치(%MVIC)에 대한 평균과 표준편차가 각각 산출될 수 있다. 이는 상기 [표 1]의 특징값 10 내지 19이다. In addition, in the normalization value calculation step (S210), the maximum surface EMG signal according to the maximum voluntary isometric motion (MVIC) may be divided to have a preset number of sections. For example, the maximum surface EMG signal can be divided into first to fifth sections, normalized values (%MVIC) for each section can be calculated, and averages and standard deviations for a plurality of normalized values (%MVIC) for each section can be calculated, respectively. These are characteristic values 10 to 19 in [Table 1].

다음으로, 상기 중앙주파수 산출단계(S220)는 상기 중앙주파수 산출부(122)에 의하여, 피검사근육의 반복 수축 시 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)가 산출되고, 상기 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차가 산출될 수 있다. Next, in the central frequency calculation step (S220), the central frequency (MDF) for a plurality of surface EMG signals is calculated by the central frequency calculator 122 when the muscle to be tested is repeatedly contracted, and the plurality of central frequencies (MDF) The average and standard deviation can be calculated.

즉, 앞서 언급한 것과 같이 피시험자의 피로시험(Fatigue Test) 시 피검사근육이 반복 수축되면 상기 신호 검출단계(S100)는 다수 개의 표면근전도 신호가 검출되고, 상기 중앙주파수 산출단계(S220)는 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)가 상기 [수학식 2]로 각각 산출될 수 있다.That is, as mentioned above, when the tested muscle is repeatedly contracted during the fatigue test of the test subject, a plurality of surface EMG signals are detected in the signal detection step (S100), and the central frequency calculation step (S220) The central frequency (MDF) for the plurality of surface EMG signals can be calculated using [Equation 2], respectively.

한편, 상기 중앙주파수 산출단계(S220)는 반복 수축에 따른 다수 개의 표면근전도 신호가 기 설정된 구간 개수를 가질 수 있도록 분할될 수 있다. 예컨대, 다수 개의 표면근전도 신호가 제1 구간 내지 제5 구간으로 분할될 수 있고, 각 구간별 중앙주파수(MDF)가 산출될 수 있고, 각 구간별 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차가 각각 산출될 수 있다. 이는 상기 [표 1]의 특징값 20 내지 29이다. Meanwhile, in the central frequency calculation step (S220), a plurality of surface EMG signals according to repeated contractions may be divided to have a preset number of sections. For example, a plurality of surface EMG signals may be divided into first to fifth sections, a median frequency (MDF) for each section may be calculated, and an average and standard deviation may be calculated for the plurality of median frequencies (MDFs) for each section, respectively. These are characteristic values 20 to 29 in [Table 1].

다음으로, 상기 조합 수치 산출단계(S230)는 상기 조합 수치 산출부(123)에 의하여, 상기 MVIC 최대 실효치(RMSMVIC), 상기 정규화 수치(%MVIC)의 평균값, 상기 중앙주파수(MDF)의 평균값이 조합되어 조합 수치가 산출될 수 있다. 상기 조합 수치는 상기 [수학식 3]으로 산출될 수 있다. 이는 상기 [표 1]의 특징값 36이다.Next, in the combined numerical value calculation step (S230), the maximum effective value of the MVIC (RMS MVIC ), the average value of the normalized numerical value (%MVIC), and the average value of the center frequency (MDF) are combined by the combined numerical value calculating unit 123 to calculate a combined numerical value. The combination value can be calculated by [Equation 3] above. This is the feature value 36 in [Table 1] above.

한편, 도 4를 보면, 본원발명의 상기 정규화 수치 산출단계(S210)는 시작(Start)과 끝(Finish) 지점의 정규화 수치(%MVICSTART, %MVICFINISH)가 더 산출될 수 있다. Meanwhile, referring to FIG. 4 , in the normalization value calculation step (S210) of the present invention, normalization values (%MVIC START , %MVIC FINISH ) of start and finish points may be further calculated.

예컨대, 시작 지점은 도 4와 같이 1번째 내지 10번째에서 1구간 내지 2구간이 포함될 수 있다. 끝 지점은 도 4와 같이 N번째 내지 N-10번째에서 4구간 내지 5구간이 포함될 수 있다. 즉, 해당 구간에서의 정규화 수치(%MVIC)의 평균값이 시작(Start)과 끝(Finish) 지점의 정규화 수치(%MVICSTART, %MVICFINISH)로 산출될 수 있다. 이는 상기 [표 1]의 특징값 30 내지 31이다. 그리고 상기 정규화 수치 산출단계(S210)는 상기 [수학식 4]가 이용되어 시작(Start)과 끝(Finish) 지점 간의 정규화 수치(%MVIC)에 대한 변동율(frc)이 산출될 수 있다. 이는 상기 [표 1]의 특징값 32이다.For example, as shown in FIG. 4, the starting point may include sections 1 to 2 in the 1st to 10th sections. As shown in FIG. 4, the end point may include sections 4 to 5 in the Nth to N-10th sections. That is, the average value of the normalized values (%MVIC) in the corresponding section may be calculated as the normalized values (%MVIC START , %MVIC FINISH ) at the start and finish points. These are characteristic values 30 to 31 in [Table 1]. In the normalization value calculation step (S210), the rate of change (f rc ) of the normalization value (%MVIC) between the start and finish points may be calculated using [Equation 4]. This is the characteristic value 32 of [Table 1] above.

상기 중앙주파수 산출단계(S220)는 동일한 방식으로 시작(Start)과 끝(Finish) 지점의 중앙주파수(MDFSTART, MDFFINISH)가 산출될 수 있다. 이는 상기 [표 1]의 특징값 33 내지 34이다. 그리고 중앙주파수 산출단계(S220)는 상기 [수학식 4]를 이용하여 시작(Start)과 끝(Finish) 지점 간의 중앙주파수(MDF)에 대한 변동율(frc)이 산출될 수 있다. 이는 상기 [표 1]의 특징값 35이다.In the center frequency calculation step (S220), the center frequencies (MDF START , MDF FINISH ) of the start and finish points may be calculated in the same manner. These are characteristic values 33 to 34 in [Table 1]. In the center frequency calculation step (S220), a change rate (f rc ) of the center frequency (MDF) between the start and finish points may be calculated using Equation 4 above. This is the characteristic value 35 of [Table 1] above.

따라서, 상기 판별지표를 정리해보면 상기 [표 1]과 같다. 그리고 상기 판별지표 데이터 산출단계(S200)는 상기 [표 1]에 언급된 36개의 특징값이 모두 산출되는 것이 가장 바람직하다.Therefore, the discriminant index is summarized as shown in [Table 1]. In the discriminant index data calculation step (S200), it is most preferable that all 36 feature values mentioned in [Table 1] are calculated.

다음으로, 상기 판별결과 출력단계(S300)는 판별결과 출력부(130)에 의하여, 랜덤 포레스트 기술기반으로 상기 판별지표 데이터가 이용되어 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과가 출력된다. Next, in the discrimination result output step (S300), the discrimination index data is used based on random forest technology by the discrimination result output unit 130, and the test subject is at least one of normal state, myopathy, and neuropathy. The result is output.

여기서, 랜덤 포레스트 기술을 설명하기에 앞서, 의사결정 트리를 설명할 수 있다. 의사결정 트리는 랜덤 포레스트 기술의 기초가 되는 알고리즘으로, 임의의 특징(Feature) 또는 등호 조건에 따라 하위 노드(Node)가 결정되어 데이터가 해당하는 클래스를 판별하는 방식이다. 의사결정 트리는 복잡한 데이터 셋도 학습할 수 있고, 결과값이 왜, 어떻게 나왔는지 그 이유를 알 수 있는 알고리즘이다. 그리고 의사결정 트리는 엔트로피(Entropy) 또는 불순도(Impurity)가 작아지는 방향으로 진행되어 최종적으로 결과값이 도출되는 것을 특징으로 한다. 임의의 특징(Feature) 또는 등호 조건 중에서 엔트로피(Entropy) 또는 불순도(Impurity)가 가장 작아지도록 하는 조건이 상단 조건으로 배치될 수 있다. Here, prior to explaining the random forest technique, a decision tree can be explained. A decision tree is an algorithm that is the basis of random forest technology, and is a method of determining a class to which data corresponds by determining a lower node according to an arbitrary feature or equality condition. A decision tree is an algorithm that can learn complex data sets and know why and how the result came out. Further, the decision tree is characterized in that entropy or impurity proceeds in a direction in which a result value is finally derived. A condition that makes entropy or impurity the smallest among arbitrary feature or equality conditions may be placed as the upper end condition.

또한, 랜덤 포레스트는 이러한 의사결정 트리가 다수 개 구비한 알고리즘으로, 각기 다른 서브세트를 만들어 개별적으로 데이터를 개별적으로 학습하도록 한 후 결과값 중 가장 많은 선택을 받은 클래스가 최종 결과값으로 도출되는 것을 특징으로 한다. 랜덤 포레스트는 복잡한 데이터 구조 및 다차원 특징 공간에 대한 분류 성능이 탁월하다.In addition, the random forest is an algorithm equipped with a plurality of such decision trees. It is characterized by making different subsets and learning the data individually, and then the class that has been selected the most among the result values is derived as the final result value. Random forests have excellent classification performance for complex data structures and multi-dimensional feature spaces.

한편, 도 5를 보면, 상기 판별결과 출력단계(S300)는 우선적으로 상기 제1 랜덤 포레스트 앙상블 모델이 이용되어 상기 판별지표 데이터가 정상 클래스와 비정상 클래스 중 하나로 분류될 수 있다. Meanwhile, referring to FIG. 5 , in the discrimination result output step (S300), the first random forest ensemble model is preferentially used, and the discrimination index data may be classified into one of a normal class and an abnormal class.

그리고 상기 판별결과 출력단계(S300)는 상기 판별지표 데이터가 상기 비정상 클래스로 분류된다면 상기 제2 랜덤 포레스트 앙상블 모델이 이용되어 상기 판별지표 데이터가 근육병증 클래스와 신경병증 클래스 중 하나로 분류될 수 있다. In the discrimination result output step (S300), if the discriminant index data is classified into the abnormal class, the second random forest ensemble model is used to classify the discriminant index data into one of a myopathy class and a neuropathic class.

이때, 상기 제1 랜덤 포레스트 앙상블 모델 및 제2 랜덤 포레스트 앙상블 모델 내 의사결정 트리에는 상기 판별지표가 상위 노드에서 하위 노드로 진행될 수 있는 임의의 조건으로 사용될 수 있다. 가장 바람직하게, 상기 [표 1]의 모든 판별지표 중에서 하기 [표 2]의 판별지표가 순서대로 상기 불순도가 감소되는 것을 특징으로 한다. 앞서 언급한 것과 같이 불순도가 상당히 감소되는 조건이 상위에 있을수록 효율적인 분류가 가능하다. In this case, the decision tree in the first random forest ensemble model and the second random forest ensemble model may be used under an arbitrary condition that the discriminant index may proceed from an upper node to a lower node. Most preferably, among all the discrimination indicators of [Table 1], the discrimination indicators of [Table 2] below are characterized in that the impurity decreases in order. As mentioned above, more efficient classification is possible when the condition of significantly reducing impurity is higher.

이상과 같이 본 발명에 의하면 피검사 근육 표면의 피부에 활동전극이 부착되어 표면근전도 신호를 검출하도록 구성함으로써 피검사자의 움직임을 자유롭게 하고, 피검사자가 진단받는 동안 불편함을 느끼지 않는 효과가 있다. As described above, according to the present invention, the action electrode is attached to the skin on the surface of the muscle to be tested to detect surface EMG signals, thereby freeing the subject's movement and preventing the subject from feeling uncomfortable during diagnosis.

또한, 본 발명은 랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력함으로써 표면근전도 신호로부터 산출한 수많은 판별지표 데이터 중에서 어떠한 이유로 피검사자의 판별결과가 도출되었는지 알 수 있고 종래 의료진의 임상학적 판단 또는 기 설정된 판별수치에 따라 신경 근육 장애를 진단하는 방법보다 판별과정이 투명하고 정확도가 향상된 판별결과를 제공할 수 있는 효과가 있다. In addition, the present invention, based on random forest technology, outputs a discrimination result that the test subject is at least one of a normal state, myopathy, and neuropathy using the discriminant index data, so that it is possible to know for what reason the subject's discriminant result was derived among numerous discriminant index data calculated from surface EMG signals, and has an effect of providing discrimination results with improved accuracy and a more transparent discrimination process than conventional methods of diagnosing neuromuscular disorders based on clinical judgment or preset discriminant values by medical staff.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, those skilled in the art can make various modifications and variations from the above description. For example, even if the described techniques are performed in an order different from the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form from the described method, or replaced or substituted by other components or equivalents, appropriate results can be achieved.

그러므로 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

100.. 표면근전도 신호를 이용한 신경 근육 장애 판별 장치
110.. 신호 검출부
120.. 판별지표 데이터 산출부
121.. 정규화 수치 산출부
122.. 중앙주파수 산출부
123.. 조합 수치 산출부
130.. 판별결과 출력부100.. Device for discriminating neuromuscular disorders using surface EMG signals
110.. Signal detection unit
120.. Discriminant index data calculation unit
121.. Normalization value calculation unit
122.. Central frequency calculation unit
123.. Combination numerical calculation unit
130.. Discrimination result output unit

Claims (5)

활동전극이 피검사근육 표면의 피부에 부착된 후, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호를 검출하는 신호 검출부;
상기 표면근전도 신호에 대한 실효치(Root Mean Square; RMS)를 산출하고, 상기 실효치(RMS)를 이용하여 하나 이상의 판별지표 데이터를 산출하는 판별지표 데이터 산출부; 및
랜덤 포레스트 기술기반으로 상기 판별지표 데이터를 이용하여 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과를 출력하는 판별결과 출력부;를 포함하고,
상기 판별지표 데이터 산출부는,
피검사근육의 최대 자발적 등척성 운동(MVIC) 시 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)와 피검사근육의 피로시험(Fatigue Test) 시 검출되는 다수 개의 표면근전도 신호에 대한 다수 개의 실효치(RMS)를 이용하여 다수 개의 정규화 수치(%MVIC)를 산출하고, 다수 개의 정규화 수치(%MVIC)에 대한 평균과 표준편차를 산출하는 정규화 수치 산출부;
피검사근육의 피로시험(Fatigue Test) 시 피검사근육의 반복 수축에 따른 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)를 산출하고, 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차를 산출하는 중앙주파수 산출부; 및
상기 MVIC 최대 실효치(RMSMVIC), 상기 정규화 수치(%MVIC)의 평균값, 상기 중앙주파수(MDF)의 평균값을 조합하여 조합 수치(CF)를 산출하는 조합 수치 산출부;를 포함하는 것을 특징으로 하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치.After the action electrode is attached to the skin on the surface of the muscle to be tested, a maximum voluntary isometric contraction (MVIC) in which the muscle to be tested is maximally contracted and a fatigue test in which the muscle to be tested is repeatedly contracted. A signal detector for detecting a surface EMG signal;
a discriminant index data calculation unit that calculates a Root Mean Square (RMS) for the surface EMG signal and calculates one or more discriminant index data using the root mean square (RMS); and
A determination result output unit outputting a determination result that the test subject is at least one of normal state, myopathy, and neuropathy using the discrimination index data based on random forest technology;
The discrimination index data calculation unit,
A normalization value calculation unit that calculates a plurality of normalized values (%MVIC) using the maximum MVIC effective value (RMS MVIC) for the maximum surface EMG signal during maximum voluntary isometric movement ( MVIC ) of the tested muscle and a plurality of RMS values (RMS) for a plurality of surface EMG signals detected during a fatigue test of the tested muscle, and calculates averages and standard deviations for the plurality of normalized values (%MVIC);
A central frequency calculation unit that calculates a central frequency (MDF) for a plurality of surface EMG signals according to repeated contractions of a muscle to be tested during a fatigue test of a muscle to be tested, and calculates an average and standard deviation for the plurality of central frequencies (MDF); and
A combination value calculation unit that calculates a combination value (CF) by combining the maximum effective value of the MVIC (RMS MVIC ), the average value of the normalized value (%MVIC), and the average value of the median frequency (MDF). 삭제delete 제 1항에 있어서,
상기 판별결과 출력부는,
이진 분류기 기반의 제1 랜덤 포레스트 앙상블 모델과 제2 랜덤 포레스트 앙상블 모델이 연결된 형태로 구비되는 것을 특징으로 하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치.According to claim 1,
The determination result output unit,
A neuromuscular disorder discrimination device using a surface EMG signal, characterized in that a first random forest ensemble model based on a binary classifier and a second random forest ensemble model are provided in a connected form. 제 3항에 있어서,
상기 판별결과 출력부는,
상기 제1 랜덤 포레스트 앙상블 모델을 이용하여 상기 판별지표 데이터를 정상 클래스와 비정상 클래스 중 하나로 분류하고,
상기 판별지표 데이터가 상기 비정상 클래스로 분류된다면 상기 제2 랜덤 포레스트 앙상블 모델을 이용하여 상기 판별지표 데이터를 근육병증 클래스와 신경병증 클래스 중 하나로 분류하는 것을 특징으로 하는 표면근전도 신호를 이용한 신경 근육 장애 판별 장치.According to claim 3,
The determination result output unit,
Classifying the discriminant index data into one of a normal class and an abnormal class using the first random forest ensemble model;
If the discriminant index data is classified into the abnormal class, the discriminant index data is classified into one of a myopathy class and a neuropathic class using the second random forest ensemble model. Neuromuscular disorder discrimination device using surface EMG signals. 신호 검출부에 의하여, 피검사근육이 최대 자가 수축되는 최대 자발적 등척성 운동(Maximum Voluntary Isometric Contraction; MVIC)과 피검사근육이 반복 수축되는 피로시험(Fatigue Test) 시 표면근전도 신호가 검출되는 신호 검출단계;
판별지표 데이터 산출부에 의하여, 상기 표면근전도 신호에 대한 하나의 실효치(Root Mean Square; RMS)가 산출되고, 상기 실효치(RMS)가 이용되어 하나 이상의 판별지표 데이터가 산출되는 판별지표 데이터 산출단계; 및
판별결과 출력부에 의하여, 랜덤 포레스트 기술기반으로 상기 판별지표 데이터가 이용되어 피검사자가 정상상태, 근육병증, 신경병증 중 적어도 하나인 것으로 판별결과가 출력되는 판별결과 출력단계;를 포함하고,
상기 판별지표 데이터 산출단계는,
정규화 수치 산출부에 의하여, 최대 자발적 등척성 운동(MVIC) 시 최대 표면근전도 신호에 대한 MVIC 최대 실효치(RMSMVIC)와 피검사근육의 피로시험(Fatigue Test) 시 검출되는 다수 개의 표면근전도 신호에 대한 다수 개의 실효치(RMS)가 이용되어 다수 개의 정규화 수치(%MVIC)가 산출되고, 다수 개의 정규화 수치(%MVIC)에 대한 평균과 표준편차가 산출되는 정규화 수치 산출단계;
중앙주파수 산출부에 의하여, 피검사근육의 피로시험(Fatigue Test) 시 피검사근육의 반복 수축에 따른 다수 개의 표면근전도 신호에 대한 중앙주파수(MDF)가 산출되고, 다수 개의 중앙주파수(MDF)에 대한 평균과 표준편차가 산출되는 중앙주파수 산출단계; 및
조합 수치 산출부에 의하여, 상기 MVIC 최대 실효치(RMSMVIC), 상기 정규화 수치(%MVIC)의 평균값, 상기 중앙주파수(MDF)의 평균값이 조합되어 조합 수치가 산출되는 조합 수치 산출단계;를 포함하는 것을 특징으로 하는 표면근전도 신호를 이용한 신경 근육 장애 판별 방법.A signal detection step in which a surface EMG signal is detected during a maximum voluntary isometric contraction (MVIC) and a fatigue test in which the tested muscle is repeatedly contracted by the signal detection unit;
A discriminant index data calculation step in which one Root Mean Square (RMS) for the surface EMG signal is calculated by a discriminant index data calculator, and one or more discriminant index data is calculated using the root mean square (RMS); and
A determination result output step of outputting a determination result that the subject is at least one of a normal state, myopathy, and neuropathy by using the discrimination index data based on random forest technology by a determination result output unit; and
In the step of calculating the discrimination index data,
A normalization value calculation step in which a plurality of normalized values (%MVIC) are calculated by using a maximum effective value (RMS MVIC) for the maximum surface EMG signal during maximal voluntary isometric exercise (MVIC) and a plurality of effective values ( RMS ) for a plurality of surface EMG signals detected during a fatigue test of the muscle to be tested by a normalization value calculator, and a mean and standard deviation of the plurality of normalized values (%MVIC) are calculated;
The central frequency calculation unit calculates the central frequency (MDF) for a plurality of surface EMG signals according to the repeated contraction of the muscle to be tested during a fatigue test of the muscle to be tested, and calculates the average and standard deviation for the plurality of central frequencies (MDF). Central frequency calculation step; and
A combination value calculation step of calculating a combination value by combining the maximum effective value of the MVIC (RMS MVIC ), the average value of the normalized value (%MVIC), and the average value of the median frequency (MDF) by the combination value calculation unit; Neuromuscular disorder discrimination method using surface electromyography signal, characterized in that it comprises a.
KR1020210028490A 2021-03-04 2021-03-04 Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal KR102557015B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210028490A KR102557015B1 (en) 2021-03-04 2021-03-04 Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210028490A KR102557015B1 (en) 2021-03-04 2021-03-04 Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal

Publications (2)

Publication Number Publication Date
KR20220125842A KR20220125842A (en) 2022-09-15
KR102557015B1 true KR102557015B1 (en) 2023-07-21

Family

ID=83281492

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210028490A KR102557015B1 (en) 2021-03-04 2021-03-04 Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal

Country Status (1)

Country Link
KR (1) KR102557015B1 (en)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101098012B1 (en) 2009-11-18 2011-12-22 숭실대학교산학협력단 System and method for movement reasoning based on surface electromyogram signals
KR101991054B1 (en) 2018-10-04 2019-06-19 김강민 Needle EMG data analysis apparatus and method for detection of neuromuscular disease

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Abdullah A A, etc., Surface EMG Signal Classification by Using WPD and Ensemble Tree Classifiers. IFMBE Proceedings. Vol.62, pp.475~481 (2017)*
Molina-Molina A, etc., Validation of mDurance, A Wearable Surface Electromyography System for Muscle Activity Assessment. Frontiers in Physiology. Vol.11, Article 606287, pp.1~11 (2020.11.27.)*

Also Published As

Publication number Publication date
KR20220125842A (en) 2022-09-15

Similar Documents

Publication Publication Date Title
EP0306346B1 (en) Interactive determination of sleep stages
CN100482155C (en) Instant detection system and detection method for state of attention based on interaction between brain and computer
EP2185063B1 (en) Method and system for monitoring sleepiness
Murata An attempt to evaluate mental workload using wavelet transform of EEG
JP5108870B2 (en) A system to evaluate the validity of analgesia using bioelectric potential variability
WO2020151144A1 (en) Generalized consistency-based fatigue classification method for constructing brain function network and relevant vector machine
US6741888B2 (en) Method and apparatus for estimating degree of neuronal impairment in brain cortex
KR101366348B1 (en) Depression diagnosis method using hrv based on neuro-fuzzy network
US20180279938A1 (en) Method of diagnosing dementia and apparatus for performing the same
CN114246589B (en) Memory cognition capability assessment method and system
US20060135880A1 (en) Identification of a dominant signal component in a biosignal
MK Heart rate variability features for different stress classification.
Begum et al. Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning
Lee et al. Two-stage binary classifier for neuromuscular disorders using surface electromyography feature extraction and selection
US5533522A (en) Method of and arrangement for optimizing disease diagnosis
KR102557015B1 (en) Determination Apparatus and Method Neuromuscular Disorders using A Surface EMG Signal
CN116098634A (en) Brain function detection and assessment method, device and system based on stimulation event
Raghavendra et al. Multiscale fractal dimension technique for characterization and analysis of biomedical signals
KR102306613B1 (en) Apparatus for discriminating myopathy using surface electromyography signal
CN112741630A (en) Drug rehabilitation detection system and method
TWI821082B (en) Adaptive brainwave consciousness state index assessment method for subjects of all ages
Hikmah et al. Sleep Quality Assessment from Robust Heart and Muscle Fatigue Estimation Using Supervised Machine Learning.
US11903718B2 (en) Automatic noise signal interval detection method and device
Harris et al. The preliminary credibility assessment system embedded algorithm description and validation results
Zhang et al. Classification of Vigilance Based on EEG

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right