Systematic Design of Lightweight CNNs for sEMG Hand Gesture Classification on Embedded Systems

팔을 잃은 사람이 단순히 팔을 움직이겠다는 생각만으로 로봇 손을 제어할 수 있는 세상을 상상해 보십시오. 이것은 공상 과학 소설이 아닙니다. 이는 근육이 움직이려고 할 때 보내는 전기 신호를 읽어내는 장치인 근전도 의수(myoelectric prosthetics)가 약속하는 미래입니다. 이 신호는 표면 근전도(surface electromyography, sEMG)라고 불리며, 피부에 부착된 센서를 통해 포착됩니다. 문제는 항상 이 불규칙하고 변동이 심한 전기적 패턴을 기계를 위한 명확하고 신뢰할 수 있는 명령으로 변환하는 것이었습니다. 수십 년 동안 엔지니어들은 이러한 신호를 해석하기 위해 복잡한 수학적 기법에 의존해 왔지만, 새로운 세대의 인공지능은 패턴을 직접 학습하여 종종 더 높은 정확도를 보여주었습니다. 하지만 문제가 하나 있습니다. 가장 강력한 인공지능 모델은 무겁고 에너지를 많이 소비하는 컴퓨터와 같습니다. 이들은 거대한 프로세서와 지속적인 전력을 필요로 하기에, 사람이 하루 종일 착용할 수 있는 작고 배터리로 구동되는 의수에 탑재하는 것이 불가능합니다.

이것이 바로 멕시코의 연구팀이 해결하고자 했던 문제입니다. 그들은 근본적인 질문을 던졌습니다. 어떻게 하면 손 동작을 인식하는 데 매우 정확하면서도, 아주 작고 저전력인 컴퓨터 칩에서 실행될 수 있을 만큼 가벼운 스마트 시스템을 구축할 수 있을까? 최근 발표된 연구에 기술된 그들의 작업은 이러한 '경량화된' 인공 두뇌를 설계하는 방법을 상세히 다룹고 있습니다. 어떤 설계가 가장 좋을지 추측하는 대신, 그들은 이 과정을 과학적 실험처럼 취급하여 성능과 효율성 사이의 완벽한 균형을 찾기 위해 다양한 구조적 선택지를 체계적으로 테스트했습니다. 그 결과, 이전 시스템들에 필요한 컴퓨팅 파워의 극히 일부만을 사용하면서도 18가지의 다양한 손과 손목 동작을 놀라운 정밀도로 구분할 수 있는 새로운 유형의 모델이 탄สัน했습니다.

연구진은 먼저 사람들이 손을 움직이는 기록이 담긴 두 개의 대규모 공개 데이터베이스를 살펴보는 것으로 시작했습니다. 한 데이터베이스에는 40명의 건강한 개인의 기록이 포함되어 있었고, 다른 하나는 팔꿈치 아래 부분을 잃은 11명의 기록을 담고 있었습니다. 이 두 번째 그룹은 이 장치가 도움을 주고자 하는 실제 사용자들을 대변한다는 점에서 매우 중요했습니다. 연구팀은 합성곱 신경망(convolutional neural network)이라 불리는 특정 유형의 인공지능에 집중했습니다. 간단히 말해, 이것은 인간의 눈이 얼굴을 인식하기 위해 장면을 스캔하는 것처럼 데이터를 스캔하여 패턴을 찾는 시스템입니다. 구체적인 과제는 이 시스템을 '깊이별 분리형(depthwise separable)'으로 만드는 것이었는데, 이는 복잡한 계산을 더 작고 단순한 단계로 나누는 설계 기법입니다. 이 접근 방식은 컴퓨터가 수행해야 하는 수학적 연산 횟수를 획기적으로 줄여주어, 시스템을 더 빠르고 메모리 요구량을 적게 만듭니다.

최적의 설계를 찾기 위해 연구팀은 시행착오나 추측에 의존하지 않았습니다. 그들은 D-최적 설계(D-optimal design)라는 통계적 방법을 사용하여 방대한 가능성의 공간을 탐색했습니다. 밀가루, 설탕, 달걀, 그리고 굽는 시간의 모든 조합을 테스트하여 최고의 케이크 레시피를 찾는 과정을 상상해 보십시오. 그것은 영원히 걸릴 것입니다. 대신, 이 방법은 연구자들이 각 설계의 특정 부분이 최종 결과에 어떻게 영향을 미치는지 밝혀낼 수 있는 스마트하고 대표적인 실험 세트를 선택할 수 있게 해주었습니다. 그들은 네트워크의 층(layer)이 얼마나 많아야 하는지, 필터의 폭은 어느 정도여야 하는지, 그리고 데이터가 얼마나 많은 병렬 경로로 이동해야 하는지와 같은 요소들을 테스트했습니다. 이 50개의 신중하게 선택된 구성들을 분석함으로써, 그들은 네트워크의 순차적 층의 개수가 정확도에 가장 큰 영향을 미쳤으며, 그 뒤를 이어 깊이별 단계에서 사용되는 필터의 크기가 중요하다는 것을 발견했습니다.

이러한 이해를 바탕으로, 연구팀은 모델이 얼마나 똑똑한지(지능)와 얼마나 무거운지(비용/자원) 사이의 절충 관계를 시각화하는 방법인 '파레토 프런트(Pareto front)'를 구축했습니다. 그들은 '스윗 스팟(sweet spot)', 즉 모델이 너무 커지거나 느려지지 않으면서도 가능한 한 가장 정확한 지점을 찾고 있었습니다. 그들은 눈에 띄는 특정 아키텍처를 식별했습니다. 이 모델은 작업을 수행하기 위해 '파라미터'라고 불리는 조정 가능한 숫자 약 68,000개만을 사용했습니다. 이를 비교하자면, 유사한 작업에 사용되는 많은 모델은 수백만 개의 파라미터를 필요로 합니다. 이 작은 크기에도 불구하고, 이 경량 모델은 절단 장애인 대상 데이터에서 93.89%, 건강한 대상 데이터에서 98.41%의 평균 정확도를 달ập했습니다. 이 모델은 다양한 손 모양과 손목 움직임을 포함한 18가지의 서로 다른 제스처를 성공적으로 식별했으며, 이는 실제 임상 현장에서 사용될 수 있음을 시사하는 신뢰도를 보여주었습니다.

하지만 진정한 시험은 시뮬레이션이 아니라 하드웨어에서 이루어졌습니다. 연구진은 선택한 모델을 휴대용 기기에서 흔히 볼 정도로 기술력이 집약된 ARM Cortex-A9 프로세서라는 작은 임베디드 컴퓨터 칩에 구현했습니다. 모델을 실시간 제어가 가능할 만큼 빠르게 실행하기 위해, 그들은 다섯 가지의 최적화 기법을 적용했습니다. 우선, 모델이 사용하는 숫자를 복잡한 소수점에서 더 작은 정수로 변환하는 양자화(quantization) 과정을 통해 수학을 단순화했습니다. 또한 프로세서가 한 번에 여러 계산을 처리할 수 있도록 데이터를 배치하였고, 느린 데이터 전송을 피하기 위해 프로세서의 내장 메모리 캐시를 활용했습니다. 그 결과, 시스템은 약 57.6밀리초 만에 결정을 내릴 수 있었습니다. 이 속도는 인간 사용자에게 즉각적으로 느껴질 만큼 충분히 빨라서, 로봇 손을 조작하는 데 필요한 유연하고 직관적인 제어를 가능하게 합니다.

이 연구는 이러한 체계적인 설계 방식이 차세대 의수를 위한 실행 가능한 경로임을 결론짓습니다. 고도로 정확한 모델이 작고 저전력인 칩에서도 실행될 수 있음을 증명함으로써, 연구진은 첨단 로봇 팔을 일상생활에서 실용적이고 접근 가능하게 만드는 데 있어 중요한 장벽을 제거했습니다. 또한 이 연구는 시스템이 단순히 건강한 자원봉사자가 아닌, 실제 사지 결손이 있는 사람들을 대상으로 테스트하는 것의 중요성을 강조합니다. 이는 실제 임상 적용의 복잡한 현실 속에서 시스템이 제대로 작동하는지 확인하기 위함입니다. 현재의 모델은 사용자가 자신의 신호에 맞춰 기기를 보정하는 특정 조건 하에서 테스트되었지만, 이 경량 설계의 성공은 향후 버전이 최소한의 설정만으로도 다양한 사용자에게 적응할 수 있음을 시사하며, 잃어버린 사지를 신체의 자연스러운 일부처럼 느껴지는 지능적이고 반응성이 뛰어로운 도구로 대체할 수 있는 미래에 한 걸음 더 다가가게 합니다.