로봇 의수나 증강현실 인터페이스가 자연스럽게 반응하려면 사용자의 손동작을 정확하면서도 즉시 알아야 한다. 전완에서 측정하는 표면 근전도는 이 목적에 널리 쓰이지만, 전극별 값을 독립적인 수치로만 다루면 근활성 패턴에 담긴 전극 사이 관계를 놓칠 수 있다. 이번 연구는 전완의 근활성 신호를 그래프로 표현하고 그래프 신경망으로 손동작을 분류한다. 신호의 크기뿐 아니라 전극 사이의 관계를 입력 구조에 반영하는 방식이며, 해부학적 근육 연결을 직접 측정한 것은 아니다.
평가는 전완 둘레에 전극 8개를 둔 MyoBand로 수집한 건강한 참가자 8명의 표면 근전도 신호를 사용했다. 연구진은 제안한 방식이 평균 99%의 분류 정확도를 기록해 비교한 최신 기법을 앞섰다고 보고했다. M1 Pro 중앙처리장치에서 그래프 구성과 예측을 합친 평균 처리 시간은 48밀리초였다. 별도 고성능 가속기에 의존하지 않고도 실시간 상호작용에 적용할 수 있는 지연 범위를 목표로 했다는 점이 특징이다.
결과는 근전도 센서 배열을 단순한 벡터가 아니라 전극 관계를 담는 그래프로 보는 이점을 보여준다. 다만 참가자가 8명으로 작고 모두 건강한 사람이어서 절단 환자의 잔존 근육, 전극 위치 변화, 땀과 피로가 있는 일상 환경에서도 같은 정확도가 유지된다고 볼 수는 없다. 사용자별 보정 없이 새로운 사람에게 얼마나 일반화되는지도 중요하다. 따라서 99%라는 수치는 해당 실험 조건의 결과로 읽어야 한다. 이 연구의 arXiv 최초 등록일은 2026년 7월 8일이지만, 레코드에는 2024년 IEEE EMBC 관련 DOI인 10.1109/EMBC53108.2024.10781990이 기재돼 있어 완전히 새로운 2026년 발표로 보기는 어렵다.
분류 정확도 외에도 잘못된 동작이 의수에서 어떤 위험으로 이어지는지 고려한 비용 기반 평가가 필요하다. 사용자가 새로운 동작을 익히거나 근육 사용 습관이 변할 때 그래프를 빠르게 갱신하는 방법도 중요하다. 작은 사용자별 보정으로 성능을 회복할 수 있다면 실제 보조기기에서의 설치와 유지 부담을 낮출 수 있다.
원문: arXiv 2607.07850
저작권자 © STORIUM 무단전재 및 재배포 금지
