손동작의 인식은 HRI(human robot interface)의 다양한 분야에서 유용하며, 수화 분야나 상지마비 혹은 절단환자의 재활에도 활용된다. 손동작 인식을 위해 카메라 등의 광학장비를 이용한 방식, 장갑 형태의 플렉서블 센서를 이용한 방식, 근전도(EMG: electromyography)를 이용한 방식 등 다양한 방식이 있다. 본 논문에서는 8개의 표면근전도(sEMG: surface EMG) 센서가 팔찌 형태로 구성되어 있는 Myo-armband를 이용하여 6명의 대상에게서 6가지의 손동작에 대한 근전도 신호를 수집하고 이를 딥러닝(deeping learning)으로 분류한다. 근전도 신호는 여러 원인에 의해 잡음이 많이 포함되기 때문에, 신호의 적절한 활용을 위해 필수적으로 전처리 과정을 거쳐야한다. 본 논문에서는 전처리(pre-featuring) 기법으로 1차원 신호를 시간-주파수 형태의 2차원 신호로 바꿔주는 변환을 통해 주파수 차원에서 신호를 분석하는 방식의 푸리에 변환(Fourier Transform), 웨이블릿 변환(Wavelet Transform), 웨이블릿 변환을 응용한 SAWT(Scale Average Wavelet Transform)를 이용한다. 이러한 전처리 기법이 적용된 손동작의 근전도 신호를 딥러닝 분류기인 CNN(Convolutional Neural network) 구조와 LSTM(Long Short-Term Memory)과 CNN을 결합한 CRNN(Convolutional Recurrent Neural network) 구조로 분류한다. 주파수 변환과 같은 전처리 기법 이외에도 근전도 신호에 겹치는 윈도우(overlapping window)를 적용하여 근전도 신호를 수집하면서 생기는 동작의 속도나 발생 시간의 차이에 의한 성능 저하를 방지한다. 위와 같은 각각의 전처리 기법과 분류기를 6개의 손동작에 대해 적용하고 손동작 인식 성능을 비교하였다.하지만 손동작 인식이 실제로 활용되는 분야에서는 실시간(real-time)으로 손동작 인식이 필요한 경우가 많기 때문에, 인식 과정에서 소요되는 시간을 최소화하는 동시에 인식 정확도가 확보되어야 한다. 실시간성은 사용자의 동작 수행 후 300ms 이내 손동작 인식이 이루어지는 것을 기준으로 설정하였으며, 이를 위해 인식 과정의 각 단계에서 소요되는 시간을 측정하고 비교하였다. 그 결과 가장 긴 시간을 소요하는 것이 근전도 데이터의 수집 시간이었고, 이를 단축하기 위해 분류에 사용하는 데이터의 크기를 줄여 수집 시간 자체를 단축하고 인식 과정에 크기가 작은 윈도우를 적용하여 짧은 간격으로 인식 결과를 얻을 수 있게 하였다. 또한 분류에 사용하는 데이터의 크기를 줄이면서 전처리 과정에서 각 동작 데이터 사이의 간섭으로 인식 성능이 저하되는 현상이 있었고, 이는 학습에 사용되는 데이터의 전처리 과정에서 각 동작을 독립적으로 처리하는 것으로 해결하였다. 이러한 방식으로 300ms 이내로 손동작 인식을 끝마치면서 일정 이상의 인식 정확도를 확보할 수 있었다. 마지막으로 보편적으로 쓰이는 근전도 신호에서의 성능을 평가하기 위해 많은 연구에서 쓰이는 오픈 데이터셋인 Ninapro 데이터베이스를 사용한다. 본 논문에서 사용한 Ninapro 데이터베이스는 10명의 대상이 49가지의 동작을 6번씩 반복한 데이터이며, 높은 샘플링 주파수를 가지는 센서를 사용하였으므로 이를 활용하여 서브샘플링(subsampling)으로 여러 단계의 샘플링 주파수를 가지는 근전도 신호를 생성하고, 겹치는 윈도우를 가지는 CRNN으로 전처리가 없는 원시데이터와 SAWT를 적용한 데이터의 인식 성능을 비교한다. 최종적으로 6명 대상의 6가지 손동작에 대해 SAWT와 겹치는 윈도우를 가지는 CRNN을 적용한 고정 환경 실험의 결과 가장 높은 92.5%의 인식 정확도를 얻었고, 실시간 실험에서는 단일 대상에게서 relax를 제외한 5가지 손동작에 대해 140~280ms의 지연시간과 90.7%의 인식 정확도를 확보하였다.