다중센서 기반 편마비 상지재활 AI 보조 시스템 구현 = Implementation of a Multi-sensor Based Ai Assistive System for Hemiplegic Upper Limb Rehabilitation

다국어 초록 (Multilingual Abstract)

Stroke is a major neurological disease that often results in long-term motor impairments requiring continuous rehabilitation. However, due to the shortage of rehabilitation professionals and the high cost of therapy, many patients attempt self-rehabilitation at home, often with limited effectiveness. This study proposes an AI-based hemiplegic upper limb rehabilitation assistance systemcapable of evaluating the quality of rehabilitation movements using integrated IMU (Inertial Measurement Unit) and EMG (Electromyography) sensors. The system collects signals, applies preprocessing filters, and utilizes a 1D Convolutional Neural Network (1D-CNN) model to classify user movements into three categories: normal, inaccurate, and error. Data were collected from four healthy male subjects, each performing 1,440 upper-limb motions. Notch and Complementary filters were applied for signal denoising and alignment. The classification accuracies were 94.4% for normal, 93.7% for inaccurate, and 88.8% for error movements. The results demonstrate that, even under limited clinical data conditions, the proposed IMU–EMG fusion with a 1D-CNN architecture provides high recognition accuracy and potential applicability to intelligent rehabilitation and smart healthcare platforms.

국문 초록 (Abstract)

뇌졸중은 대표적인 후유장애 유발 질환으로, 생존 이후에도 지속적인 재활이 필요하다. 그러나 전문 재활치료사의 부족과 경제적 부담으로 인해 가정에서 스스로 재활을 수행하는 사례가 증가하고 있으며, 이로 인한 재활 효과 저하가 문제가 되고 있다. 본 연구에서는 IMU(Inertial Measurement Unit) 및 EMG(Electromyography) 센서를 융합하여 상지 재활 동작의 질적 평가가 가능한 AI 기반 편마비 상지 재활 보조 시스템을 제안한다. 제안된 시스템은 1차적으로 신호(EMG, IMU)를 수집하고, 전처리 과정을 거쳐 1D-CNN(1-Dimensional Convolutional Neural Network) 기반의 신호분석 모델에 입력함으로써 사용자의 재활 동작을 정상, 부정확, 오류의 세 단계로 분류한다. 실험에는 4명의 참가자로부터 총 1,440회의 상지 운동 데이터가 수집되었으며, 전처리에는 Notch Filter 및 Complementary Filter를 적용하였다. 학습 및 검증 결과, 정상 동작 94.4%, 부정확 동작 93.7%, 오류 동작 88.8%의 분류 정확도를 확인하였다. 본 연구의 의의는 제한된 임상데이터 환경에서도 IMU–EMG 융합 신호를 기반으로 높은 인식 정확도를 확보할 수 있음을 보였다는 점이며, 이는 향후 스마트 헬스케어 및 원격 재활 시스템의 기반 기술로 확장될 수 있다.