search for




 

Unsupervised Machine Learning Analysis on Muscle Activities in Elderly’s Gait and Proposal for a Rehabilitation Exercise Method in Geriatric Physical Education
Korean J Clin Geri 2022 Jun;23(1):44-50
Published online June 30, 2022;  https://doi.org/10.15656/kjcg.2022.23.1.44
Copyright © 2022 The Korean Academy of Clinical Geriatrics.

Jaehyuk Lee

Department of Industry-University Cooperation, Hanshin University, Osan, Korea
Correspondence to: Jaehyuk Lee, Department of Industry-University Cooperation, Hanshin University, 137 Hanshindae-gil, Osan 18101, Korea. E-mail: Jhl7589@naver.com
Received January 10, 2022; Revised February 14, 2022; Accepted March 17, 2022.
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
 Abstract
Background: The purpose of this cross-sectional study is to analyze the gait cycle of the elderly by dividing the gait cycle into four phases and extracting the weighting of eight muscles activities in each phases.
Methods: Six elderly patients participated in this study and measured muscle activities via electromyography during ambulation. After 20 gait cycles was determined, considering the signal noise and artifact, the weighting of the muscle activities in the four phases of gait cycle were analyzed via an autoencoder, which was an unsupervised machine learning technique.
Results: As a result, the characteristics of the specific muscle group in each phase of the gait cycle were found and, based on these results, a principle of rehabilitation exercise for the elderly’s gait ability was proposed. Among the four phases of the gait cycle, one phase, which was characterized by the high weighting of the ankle dorsiflexor, the lowest correlation (r=0.097) compared with the other phases between participants in the Pearson correlation analysis.
Conclusion: The high variability of a specific gait phase was associated with the falling risk, I proposed the importance of open-kinetic chain exercise to improve the lower extremity muscle coordination. Future studies should be designed to examine the clinical effects of exercise applying the proposed principle and usefulness of unsupervised machine learning as an evaluation tool of the elderly’s gait ability.
Keywords : Adapted physical education, Muscle coordination, Rehabilitation exercise, The elderly, Unsupervised machine learning
서 론

노인에게 보행 능력은 일상생활을 유지하고 건강한 삶을 영위하기 위해 필수적인 동시에 노화 현상으로 가장 두드러지게 퇴화하는 신체 기능 중 하나이다[1]. 다수의 연구에서 보행 능력과 관련된 노화 현상으로는 인지 및 감각기능 감소와 근력 약화 등을 보고하였으며[2-4], 이러한 노화 현상으로 인해 서서히 변해가는 노인의 보행 양상(gait pattern)은 균형 능력에도 지대한 영향을 미쳐 궁극적으로 일상생활의 낙상 위험을 증가시킨다고 보고하였다[5].

노인체육 분야에서 노인의 보행 양상을 연구하기 위해 대표적으로 분석하는 지표 중 하나는 근육 활성도(Electromyography, EMG)이다. 노인의 보행 시 근육 활성도를 관찰하고 건강한 젊은 성인과의 차이를 비교하는데 지금까지 선행연구에서 노인과 젊은 성인의 근육 활성도의 크기, 활성 시점과 순서의 차이를 보고하였다[6,7]. 나아가, 컴퓨터 과학 및 데이터 분석 기법의 발전에 따라 근육 활성도를 단편적으로 비교하기보다 다양한 인공지능 및 빅데이터 분석기법을 활용하여 근육 활성도의 특징을 분석하고 있다[8-10].

특히 보행과 같이 다수의 근육을 동시에 조절하는 인간의 복잡한 운동조절 능력에 관해, Bersntein (1967) [11]은 인간의 뇌가 복잡한 움직임을 수행할 때 다수의 근육을 개별적으로 통제하는 것은 효율적이지 않으며, 소수의 운동조절 신호만으로 근육을 그룹화하여 움직임을 효율적으로 조절할 것이라는 근육 협응(muscle coordination) 이론을 제시하였다[12]. 이와 같은 이론이 제시된 이후, 근육 협응 이론을 바탕으로 근육 활성도 데이터를 분석하고자 비음수행렬[13]을 시작으로 주요성분분석[14], 독립성분분석[15], 요인분석[16], 오토인코더(autoencoder) [17] 등 다양한 비감독 기계학습(unsupervised machine learning) 분석기법이 제안되었다.

비감독 기계학습 기법은 하위 종류와 종류별 원리가 다양하지만 모든 종류를 아우르는 공통적인 개념은 정의되지 않은 입력 데이터의 특징(features) 또는 패턴(patterns)을 추출하는 알고리즘으로서 고차원(high dimensionality)의 입력 데이터를 저차원의 하위공간(lower dimensional subspace)으로 표현하는 기법을 의미한다. 즉, 생체역학 분야에서 비감독 기계학습 기법을 이용한 근육 활성도 분석을 통하여 고차원으로 구성된 보행 중 수집한 근육 활성 데이터 값을 저차원 형태로 단계(phase)화시키고, 이 때 각 단계마다 각 근육의 활성도가 부여하는 기여치(weighting)를 추출하여 보행의 단계마다 개별 근육의 기여도를 관찰할 수 있다. 예를 들어, 지금까지 비감독 기계학습을 이용하여 근육 활성도를 분석한 다수의 선행연구는 정상 성인의 보행을 초기 입각기부터 유각기까지 4개 또는 5개로 단계화 시키고 각 단계별 근육 활성도의 기여치를 제시해 왔다[18-20].

따라서 본 연구에서는 65세 이상 노인의 보행 시 하지 8개 근육(대퇴직근, 장내전근, 내측광근, 전경골근, 대둔근, 반건양근, 대퇴이두근, 비복근)의 활성도를 측정하고 이를 기반으로 비감독 분석기법을 통해 보행 단계별 각 근육 활성도의 기여치를 추출하여 노인체육 분야에서 노인의 보행 능력 향상에 필요한 근육 협응 운동법에 대해 제언하고자 한다.

대상 및 방법

1. 연구 대상자

본 연구는 지역사회에 거주 중인 65세 이상 건강한 노인 6명을 대상으로 진행하였다. 참여한 모든 대상자는 실험 수행에 영향을 주는 근골격계 및 신경학적 질환이 없었으며 실험 전 참여한 대상자에게 본 연구의 취지와 방법을 설명하였고 모든 대상자는 본 연구의 실험 참여에 동의하였다. 본 연구는 고려대학교 기관생명윤리위원회(KUIRB2018-0127)의 승인을 받아 진행되었다.

2. 실험절차

모든 대상자는 실험 시작 후 자연스러운 보행을 수행하기 위해 측정하기 전 5분간 편안하게 걸었다. 5분 후, 각 대상자는 평가자의 신호가 주어지면 편안한 속도로 지면 위에 부착된 5 m의 직선 스티커를 따라 걸었으며, 5 m를 걷고 도착지점에서 다시 돌아서서 출발지점까지 동일하게 걸어 돌아왔다. 이와 같은 왕복 직선 보행을 총 2회 수행하였다.

3. 근전도 분석(electromyography, EMG)

근육활성도 신호는 무선 근전도 장치(Noraxon Inc, USA)를 대상자의 오른쪽 우세 다리 8개 하지 근육(대퇴직근, 장내전근, 내측광근, 전경골근, 대둔근, 반건양근, 대퇴이두근, 비복근)에 부착하여 측정하였으며 1500 Hz로 수집되었다(Figure 1). 근육 부착 부위는 SENIAM을 참고하여 Table 1과 같이 부착하였다[21]. 피부 저항을 줄이기 위해 근전도 기기를 부착하기 전 피부를 알코올로 닦고 필요 시 제모를 시행했다. 측정 후 신호는 10-500 Hz band-pass filter로 필터링하였으며 이후 나온 데이터 값을 정류(rectification)하였다. 마지막으로 대상자마다 각 근육의 최대 근육 활성도를 기준으로 모든 근육을 0-1사이로 정규화시켰다.

Table 1 . EMG sensor location on individual muscles.

MusclesEMG sensor location
Rectus femoris (RF)50% on the line from the anterior spina iliaca superior to the superior part of the patella
Adductor longus (ADL)3/4 inches distal to pubic tubercle over the bulk of the adductor muscles
Vastus medialis (VM)80% on the line between the anterior spina iliaca superior and the joint space in front of the anterior border of the medial ligament
Tibialis anterior (TA)1/3 on the line between the tip of the fibula and the tip of the medial malleolus
Gluteus maximus (GM)50% on the line between the sacral vertebrae and the greater trochanter
Biceps femoris (BFM)50% on the line between the ischial tuberosity and the lateral epicondyle of the tibia
Semitendinosus (ST)50% on the line between the ischial tuberosity and the medial epycondyle of the tibia
Gastrocnemius (GC)The most prominent bulge of the muscle

Figure 1. EMG electrode locations of 8 muscles. ADL, adductor longus; BFM, biceps femoris; GC, gastrocnemius; GM, gluteus maximus; RF, rectus femoris; ST, semitendinosus; TA, tibialis anterior; VM, vastus medialis.

4. 비감독 기계학습 분석(analysis of unsupervised machine learning)

대상자별로 보행 중 수집된 필터링과 정규화시킨 근육 활성도 신호 중 잡음 없이 측정된 20개의 연속된 보행 주기(발뒤꿈치 닿기 시작부터 다음 발뒤꿈치 닿기까지)를 선정하여[22] Figure 2와 같이 20개의 보행주기 데이터를 서로 일렬로 연결시킨(concatenation) 데이터를 입력 데이터로 사용하여 오토인코더(autoencoder) 기법을 매틀랩(matlab) 프로그램으로 시행했으며, 대상자마다 입각기부터 유각기까지 보행 주기를 선행연구를 참고하여 4단계로 나누어 단계별 각 근육 활성도의 기여치를 추출하였다[14]. 4개의 보행 단계는 오토인코더로 모든 근육 활성 기여도를 추출 후 그 특징을 고려하여 단계별로 정의하였다.

Figure 2. Examples of the concatenated 20 gait cycles as an input data for autoencoder algorithm.

5. 통계분석

대상자마다 추출한 보행 주기 내 단계별 근육 활성도의 기여치를 피어슨 상관관계(pearson corrleation) 분석을 통해 대상자 간 단계별 근육활성도 기여치의 유사성을 분석하였다[23].

결 과

1. 대상자 특성

본 연구에 참여한 6명의 노인(age: 71.33±3.32)의 신체 특성은 Table 2와 같았다.

Table 2 . Demographics of participants.

StudySexAge (years)Weight (kg)Height (cm)
Pt. 1F6957155
Pt. 2M7263162
Pt. 3F7058152
Pt. 4F7456148
Pt. 5M6767166
Pt. 6F7650149
Mean (Std.)N/A71.33 (3.32)58.50 (5.89)155.33 (7.27)

Std., standard deviation; F, female; M, male..



2. 보행주기 단계별 특징 및 근육활성도 기여치

오토인코더를 사용하여 대상자마다 각각의 보행주기 단계별 근육활성도 기여치를 추출한 결과, Figure 3과 같았다. 각각의 대상자마다 추출된 보행 주기 단계별 기여도(Figure 3)와 이에 대한 평균과 표준편차(Figure 4)를 살펴본 결과, 보행 주기 4개의 단계(Phase)마다 근육 활성도 기여도에 특징적인 양상이 있었다.

Figure 3. The weightings of eight muscle activities per gait phase in each participant. x-axis of each bar graph means each gait phase. Bars of each phase indicates eight muscles as the following order (left to right): rectus femoris, adductor longus, vastus medialis, tibialis anterior, gluteus maximus, biceps femoris, semitendinosus, gastroc-nemius.

Figure 4. The averaged weighting of eight muscle activities per gait phase in all participants. ADL, adductor longus; BFM, biceps femoris; GC, gastrocnemius; GM, gluteus maximus; RF, rectus femoris; ST, semitendinosus; TA, tibialis anterior; VM, vastus medialis.

첫 번째 단계(Phase 1)는 무릎 폄 근육(대퇴직근, 내측광근)의 기여도가 두드러지게 높았으며, 두 번째 단계(Phase 2)는 발바닥 굽힘근(비복근)의 기여도가 높았고, 세 번째 단계(Phase 3)는 발목 굽힘근(전경골근)의 기여도가 높았으며, 네 번째 단계(Phase 4)는 무릎 굽힘근(반건양근, 대퇴이두근)의 기여도가 특징적으로 높게 나타났다.

따라서, 대상자의 오른쪽 우세 다리를 기준으로 Phase 1은 보행단계 중 입각기 초기(발꿈치 닿기-중간 디딤기), Phase 2는 입각기 중-후기(중간 디딤기-발가락 떼기), Phase 3는 유각기 초-중기(초기 흔듦기-중간 흔듦기), Phase 4는 유각기 후기(중간 흔듦기-후기 흔듦기)에 주요하게 작용하는 것으로 정의하였다.

3. 단계별 근육활성도 기여치의 대상자 간 유사성

피어슨 상관분석을 사용하여 동일 단계의 근육활성도 기여치에 대한 대상자 간 유사성을 서로 분석한 결과 Table 3과 같이 나왔다. Phase 2에서 대상자 간 근육활성도 가중치의 유사성이 가장 높게 나왔으며(r=0.618), Phase 4 (r=0.447), Phase 1 (r=0.335), Phase 3 (r=0.097) 순으로 유사성이 높게 나왔다.

Table 3 . The similarity of weighting of muscle activities between participants.

ParticipantsPhase 1Phase 2Phase 3Phase 4
Pt. 1∙Pt. 2−0.0710.608−0.0610.349
Pt. 1∙Pt. 30.5530.967*0.4130.632
Pt. 1∙Pt. 4−0.3220.6260.6310.892*
Pt. 1∙Pt. 50.1710.6700.0020.577
Pt. 1∙Pt. 6−0.0080.891*−0.1420.762*
Pt. 2∙Pt. 3−0.0160.5970.596−0.170
Pt. 2∙Pt. 40.3060.170−0.0560.566
Pt. 2∙Pt. 50.5750.783*0.0310.562
Pt. 2∙Pt. 60.730*0.5860.3910.183
Pt. 3∙Pt. 4−0.0820.6360.6230.434
Pt. 3∙Pt. 50.4540.634−0.6090.200
Pt. 3∙Pt. 60.3660.823*0.5320.767*
Pt. 4∙Pt. 5−0.3800.448−0.5230.626
Pt. 4∙Pt. 60.2740.6570.1530.664
Pt. 5∙Pt. 60.6550.723*−0.5190.205
Mean (Std.)0.213 (0.349)0.654 (0.187)0.097 (0.428)0.483 (0.282)

Values were expressed by correlation coefficient. Pearson correlation was used for analysis..

Pt., participant..

*Correlation is significant at P<.05..


논 의

본 연구는 노인의 낙상과 관련이 깊은 보행 양상의 변화에 대한 노인체육학적 전문 재활운동법을 제언하기 위해 노인의 보행 시 근육 활성도를 측정하고 보행 주기 단계별 각 근육의 기여도에 대한 분석을 시행하였다.

먼저 오토인코더 비감독 기계학습 분석기법을 통해 보행 주기를 4단계로 나누어 각 단계의 근육별 기여도를 살펴본 결과, 단계마다 뚜렷하게 기여도가 증가하는 근육군을 관찰할 수 있었다. Phase 1은 무릎 폄 근육이 두드러지게 나타났으며, Phase 2는 발바닥 굽힘근, Phase 3는 발목 굽힘근, Phase 4는 무릎 굽힘근이 특징적으로 높은 기여도를 보였다. 다음으로, 각 대상자 별 기여도에 대한 유사성을 분석한 결과, Phase 2, 4, 1, 3 순으로 상관계수가 높게 확인되었다.

비감독 기계학습 분석기법을 사용하여 보행주기를 4단계로 나누어 분석한 선행연구에 따르면, 보행 주기 단계마다 근육 활성의 기여가 특징적으로 발현되었는데 이는 본 연구의 결과와 일치했다[24]. 무릎 폄 근육군의 기여도가 뚜렷한 Phase 1은 보행 입각기의 시작을 의미하며, 반대쪽 다리가 유각기로 접어들어 한 다리 서기 동작이 나타나 보행 중 균형 능력을 요구하는 단계이며, 발바닥 굽힘근의 기여도가 뚜렷한 Phase 2는 입각기의 끝과 유각기의 시작을 의미하면서 보행 중 추진 능력과 관련된 단계이고, 발목 굽힘근이 뚜렷한 Phase 3는 유각기 초기에 지면에 발이 걸리지 않도록 안정적인 보행과 관련된 단계이며, 마지막으로 무릎 굽힘근의 기여도가 뚜렷한 Phase 4는 유각기 마지막이자 다시 입각기가 시작되는 시점에서 지면에 발이 안정적으로 착지하는 단계라고 볼 수 있다.

대상자 간 기여도의 유사성 분석은 대상자마다 보인 기여도의 특징이 서로 유사하게 나타나는지를 살펴볼 수 있는 지표인데[25], 보행의 추진능력과 관련이 깊은 Phase 2는 상대적으로 대상자 간 유사성이 높은 것을 확인했다(r=0.618). 그러나 이후 유각기의 시작(Phase 1)과 중간(Phase 3), 그리고 끝(Phase 4)에서는 상대적으로 낮은 유사성을 보였으며(각각 r=0.335, 0.097, 0.447), 이는 유각기 동안 발현되는 근육 활성 기여도에 대한 개인간 가변성(inter-subject variability)이 상대적으로 입각기에 비해 크다는 점을 시사한다. 비록 본 연구에서 이러한 개인간 가변성이 노인의 낙상과 관련이 있음을 확인할 수는 없었으나, 유각기에서 나타난 개인간 높은 가변성을 유각기 동안 발현되는 노인 개개인의 고유 근육활성이 다양하고 공통된 근육 활성을 예측하기 어렵다고 해석했을 때, 향후 연구에서는 유각기의 노인 개인별 고유 근육 활성이 낙상에 미치는 영향에 대해 규명할 필요가 있다.

위와 같은 해석상 제약에도 불구하고 낙상이 높은 노인의 경우 생체역학적으로 유각기에서 개인내 가변성(intra-subject variability)이 높다는 선행 연구 결과를 고려했을 때[5], 본 연구에서 개인간 가변성이 높았던 이유를 개인내 가변성에 의한 영향으로 추정할 수 있으며, 무엇보다 본 연구에서 개인간 가변성이 가장 높게 나타난 Phase 3가 유각기 중간단계이자 지면 장애물에 걸리지 않도록 발을 들어올리는 단계라는 점에서 임상적 측면에서 노인 보행훈련 시 주시할 필요가 있다고 사료된다.

나아가 이러한 결과와 해석을 토대로 본 저자는 노인의 안전한 이동 및 일상생활과 낙상위험을 줄이기 위해서는 우선적으로 장애물 회피와 관련된 근육 협응 능력을 높일 수 있는 노인체육 및 재활운동 프로그램이 중점적으로 수행되어야 한다고 제언하는 바이다.

특히 운동역학적 관점에서 Phase 3는 열린사슬 운동(open kinetic chain)이 일어난다. 다시 말해, 노인의 낙상을 예방하기 효과적인 근육 협응 운동은 지면에서 발이 떨어진 상태에서 하지 근육(엉덩관절, 무릎관절, 발목관절)을 세밀하게 사용하도록 하는 운동이 효과적일 것으로 판단된다. 이는 본 저자가 선행했던 문헌조사 연구에서[26] 국내 노인 무도 운동 중 가장 많이 사용되고 있는 태극권이 노인 균형 능력에 효과적이라는 다수의 연구 결과를 뒷받침한다고 볼 수 있는데, 태극권 동작과 같이 하지를 들어 여러 방향으로 천천히 조절하는 세밀한 열린사슬 운동이 노인의 균형 능력 증진에 주요하게 작용했을 것으로 판단된다. 이 밖에도 요가 동작 중 나무자세 동작과 같이 한쪽 하지 안쪽면을 따라 다리를 반대쪽 하지 발 뒤꿈치를 긁어 올리는 동작 역시 선행연구에서 증명한대로 균형 능력과 협응능력 증진에 주요하게 영향을 주었다고 판단된다[27].

또한 이러한 열린사슬 운동은 균형 능력 또는 체력이 현저히 저하되어 서있는 자세로 운동을 하기 어려운 노인도 앉거나 누운 자세에서 수행할 수 있다는 점에서 큰 장점이 될 수 있다. 예를 들어, 코어 운동으로 자주 사용되는 브릿지 운동 동작을 수행하면서 한 다리를 들고 굽히는 동작은 기존에 밝혀진 바와 같이, 체간의 코어 근육강화[28]뿐만 아니라 들어올린 다리에 섬세한 열린사슬 운동을 유도하여 근육 협응에도 효과가 있을 것으로 사료된다. 또한 운동의 난이도를 높이는 동시에 노인의 균형 능력에 중대한 영향을 미치는 인지능력[29]까지 함께 개선할 수 있도록 운동 동작을 이중과제(dual-task) 형태로 지도하여 운동의 효과를 극대화할 수도 있다.

따라서 후속 연구에서는 상기 제언한 운동의 원리를 참고하여 운동프로그램을 제작하고 Phase 3 근육 활성도 가중치의 대상자 간 높은 가변성이 실제 줄어드는지에 대해 검증함으로써 임상적 효과뿐만 아니라 비감독 기계학습 분석법을 통한 노인 보행능력과 낙상에 대한 안정성 분석에 대한 타당성도 함께 검증가능할 것으로 사료된다. 비록 본 연구에서 비감독 기계학습 분석이라는 기존의 분석에서 다루지 않은 방식을 사용하여 근육 협응이라는 새로운 관점에서 노인 보행을 관찰하였으나, 비교적 적은 수의 노인을 대상으로 연구를 수행했다는 점에서 결과를 일반화시키기에 제한이 있으며 근육 활성도 가중치에 대한 현상만을 관찰하고 운동법을 제안했다는 점에서 후속 연구를 통한 확실한 임상적 검증이 필요하다.

결 론

본 연구는 노인의 보행 시 근육 활성도를 오토인코더 비감독 기계학습 분석기법을 통해 보행주기 단계 중 발바닥 굽힘근의 기여가 뚜렷한 단계에서 근육활성의 가변성과 낙상 위험과의 연관성을 확인하였다. 또한, 이러한 결과를 기반으로 노인체육학적 운동원리에 대해 제언하였다. 따라서 후속 연구에서는 제언한 운동원리를 기반으로 제작한 운동프로그램의 중재 후 임상적 효과와, 더불어 근육 활성도 분석에 오토인코더의 유용성을 추가적으로 입증할 필요가 있다.

ACKNOWLEDGEMENT

이 논문은 2020년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. 2020R1I1A1 A0107544511).

References
  1. Prince F, Corriveau H, Hébert R, Winter DA. Gait in the elderly. Gait Posture 1997;5:128-135.
    Pubmed CrossRef
  2. Wolfson LI, Whipple R, Amerman P, Kaplan J, Kleinberg A. Gait and balance in the elderly. Two functional capacities that link sensory and motor ability to falls. Clin Geriatr Med 1985;1:649-59.
    Pubmed CrossRef
  3. Pijnappels M, van der Burg PJ, Reeves ND, van Dieën JH. Identification of elderly fallers by muscle strength measures. Eur J Appl Physiol 2008;102:585-92.
    Pubmed KoreaMed CrossRef
  4. Dorfman M, Herman T, Brozgol M, Shema S, Weiss A, Hausdorff JMHausdorff JM, et al. Dual-task training on a treadmill to improve gait and cognitive function in elderly idiopathic fallers. J Neurol Phys Ther 2014;38:246-53.
    Pubmed CrossRef
  5. Kwon MS, Kwon YR, Park YS, Kim JW. Comparison of gait patterns in elderly fallers and non-fallers. Technol Health Care 2018;26:427-36.
    Pubmed KoreaMed CrossRef
  6. Mickelborough J, van der Linden ML, Tallis RC, Ennos AR. Muscle activity during gait initiation in normal elderly people. Gait Posture 2004;19:50-7.
    Pubmed CrossRef
  7. Franz JR, Kram R. How does age affect leg muscle activity/coactivity during uphill and downhill walking? Gait Posture 2013;37:378-84.
    Pubmed KoreaMed CrossRef
  8. Moniri A, Terracina D, Rodriguez-Manzano J, Strutton PH, Georgiou P. Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning. IEEE Trans Biomed Eng 2021;68:718-27.
    Pubmed CrossRef
  9. Haider F, Albert P, Luz S, editors. Automatic recognition of low-back chronic pain level and protective movement behaviour using physical and muscle activity information. Proceedings of the 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2020), 2020 Nov 16-20, Buenos Aires, Argentina. Piscataway (NJ): IEEE. 1996:834-8.
    CrossRef
  10. Thamsuwan O, Johnson PW. Machine learning methods for electromyography error detection in field research: an application in full-shift field assessment of shoulder muscle activity in apple harvesting workers. Appl Ergon 2022;98.
    Pubmed CrossRef
  11. Bernstein N. The coordination of motor function and locomotion. New York (NY): Pergamon; 1967.
    CrossRef
  12. Latash LP, Latash ML. A new book by N. A. Bernstein: "On dexterity and its development". J Mot Behav 1994;26:56-62.
    Pubmed CrossRef
  13. Lee DD, Seung HS. Learning the parts of objects by non-negative matrix factorization. Nature 1999;401:788-91.
    Pubmed CrossRef
  14. Ranganathan R, Krishnan C. Extracting synergies in gait: using EMG variability to evaluate control strategies. J Neurophysiol 2012;108:1537-44.
    Pubmed KoreaMed CrossRef
  15. Hyvärinen A, Oja E. Independent component analysis: algorithms and applications. Neural Netw 2000;13:411-30.
    Pubmed CrossRef
  16. Singh RE, White G, Delis I, Iqbal K. Alteration of muscle synergy structure while walking under increased postural constraints. Cogn Comput Syst 2020;2:50-6.
    CrossRef
  17. Spüler M, Irastorza-Landa N, Sarasola-Sanz A, Ramos- Murguialday A. Extracting muscle synergy patterns from EMG data using autoencoders. In Villa AEP, Masulli P, Rivero AJP, editors. Artificial neural networks and machine learning - ICANN 2016. Cham: Springer; 2016. p. 47-54.
    CrossRef
  18. Kim Y, Bulea TC, Damiano DL. Novel methods to enhance precision and reliability in muscle synergy identification during walking. Front Hum Neurosci 2016;10:455.
    Pubmed KoreaMed CrossRef
  19. Ji Q, Wang F, Zhou R, Li J, Wang J, Ye X. Assessment of ankle muscle activation by muscle synergies in healthy and post-stroke gait. Physiol Meas 2018;39.
    Pubmed CrossRef
  20. Ghislieri M, Agostini V, Knaflitz M. How to improve robustness in muscle synergy extraction. Annu Int Conf IEEE Eng Med Biol Soc 2019;2019:1525-8.
    Pubmed CrossRef
  21. Stegeman DF, Hermens HJ. Standards for surface electromyography: the European project "Surface EMG for non-invasive assessment of muscles (SENIAM)". Enschede: Roessingh Research and Development; 2007. p. 108-112.
    CrossRef
  22. Oliveira AS, Gizzi L, Farina D, Kersting UG. Motor modules of human locomotion: influence of EMG averaging, concatenation, and number of step cycles. Front Hum Neurosci 2014;8:335.
    Pubmed KoreaMed CrossRef
  23. Tang L, Li F, Cao S, Zhang X, Chen X. Muscle synergy analysis for similar upper limb motion tasks. Annu Int Conf IEEE Eng Med Biol Soc 2014;2014:3590-3.
    Pubmed CrossRef
  24. Routson RL, Clark DJ, Bowden MG, Kautz SA, Neptune RR. The influence of locomotor rehabilitation on module quality and post-stroke hemiparetic walking performance. Gait Posture 2013;38:511-7.
    Pubmed KoreaMed CrossRef
  25. Saito A, Tomita A, Ando R, Watanabe K, Akima H. Similarity of muscle synergies extracted from the lower limb including the deep muscles between level and uphill treadmill walking. Gait Posture 2018;59:134-9.
    Pubmed CrossRef
  26. Lee J. Trend analysis of adapted physical education and exercise rehabilitation using martial arts for the elderly in South Korea: a systematic review. Korean J Clin Geriatr 2021;22:15-21.
    CrossRef
  27. Nick N, Petramfar P, Ghodsbin F, Keshavarzi S, Jahanbin I. The effect of yoga on balance and fear of falling in older adults. PM R 2016;8:145-51.
    Pubmed CrossRef
  28. Lee D, Park J, Lee S. Effects of bridge exercise on trunk core muscle activity with respect to sling height and hip joint abduction and adduction. J Phys Ther Sci 2015;27:1997-9.
    Pubmed KoreaMed CrossRef
  29. Hiyamizu M, Morioka S, Shomoto K, Shimada T. Effects of dual task balance training on dual task performance in elderly people: a randomized controlled trial. Clin Rehabil 2012;26:58-67.
    Pubmed CrossRef

 

June 2022, 23 (1)