haku: @supervisor Visala, Arto / yhteensä: 105
viite: 36 / 105
| Tekijä: | Hakonen, Maria |
| Työn nimi: | Towards the control of an upper-limb prosthesis using surface electromyography |
| Kohti yläraaja-proteesien ohjausta pintaelektromyografialla | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2012 |
| Sivut: | [8] + 93 s. + liitt. 7 Kieli: eng |
| Koulu/Laitos/Osasto: | BIT-tutkimuskeskus |
| Oppiaine: | Automaatiotekniikka (AS-84) |
| Valvoja: | Visala, Arto |
| Ohjaaja: | |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201605061909 |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 727 | Arkisto |
| Avainsanat: | sEMG upper-limb prostheses pattern-based control hand posture classification |
| Tiivistelmä (fin): | Yläraaja-amputaatio vaikuttaa suuresti päivittäiseen elämään. Helposti ohjattavilla toiminnallisilla proteeseilla amputoitujen henkilöiden elämänlaatua voitaisiin parantaa merkittävästi. Suurin osa amputoiduista henkilöistä ei kuitenkaan käytä proteesiaan säännöllisesti proteesin vähäisten toimintojen ja vaikean ohjattavuuden vuoksi. Olisikin tärkeää kehittää helposti ohjattava ja riittävästi toimintoja sisältävä proteesi, joka mahdollistaisi päivittäisessä elämässä välttämättömien tehtävien suorittamisen. Markkinoilla olevat lihassähköiset yläraajaproteesit perustuvat yksinkertaiseen hahmontunnistusta hyödyntämättömään ohjaukseen, jossa lihasparilla ohjataan yleensä yhtä proteesin vapausastetta. Lupaava vaihtoehto perinteisille ohjausmenetelmille on hahmontunnistukseen pohjautuva ohjaus. Se tunnistaa käyttäjän käden asennot käsivarren iholta mitatun lihassähkösignaalin sisältämän informaation avulla mahdollistaen helpon ja luonnollisen ohjauksen. Tämän diplomityön tavoitteena oli löytää piirteet, jolla seitsemän erilaista käden asentoa pystytään luokittelemaan mahdollisimman tarkasti lineaarisella diskriminantti luokittelijalla. Lihassähkösignaalit mitattiin kahdeksan ei-amputoidun koehenkilön käsivarresta ihon pinnalle kiinnitetyillä elektrodeilla. Työssä vertailtiin seuraavia piirteitä: 16 aika-alueen piirrettä, kaksi aikasarja-alueen piirrettä, nopea Fourier-muunnos (FFT), diskreetti Aalloke-muunnos (DWT). Työn toinen tavoite oli tutkia näytteenottotaajuuden vaikutusta luokittelutarkkuuteen. Myös esiprosessointia riippumattomien komponenttien analyysillä tutkittiin lyhyesti. Luokittelu tehtiin staattisen lihassupistuksen aikana mitatun signaalin perusteella. Signaalin prosessointi, piirteet ja luokittelu toteutettiin Matlabilla. Tämän tutkimuksen tulokset osoittivat, etteivät diskreetti Aalloke-muunnos ja nopea Fourier-muunnos yllä laskennallisesti tehokkaampia aika-alueen piirteitä parempaan luokittelutarkkuuteen. Pienellä määrällä yksinkertaisia aika-alueen piirteitä voidaan saavuttaa hyvä luokittelutarkkuus (>90 %). Luokittelutarkkuutta voitaneen edelleen parantaa valitsemalla optimaaliset piirteet yksilöllisesti pienestä joukosta hyviksi havaittuja piirteitä. Käyttämällä 400 Hz:n näytteenottotaajuutta yleisesti käytetyn 1 kHz:n sijasta, voidaan sekä säästää prosessointiaikaa ja proteesin prosessorin muistia että myös parantaa hieman luokittelutarkkuutta. Esiprosessointi riippumattomien komponenttien analyysillä ei parantanut luokittelutarkkuutta, mikä johtunee siitä, että mittauskanavat olivat suhteellisen kaukana toisistaan. |
| Tiivistelmä (eng): | The loss of an upper limb is a life-altering accident which makes everyday life more difficult. A multifunctional prosthetic hand with a user-friendly control interface may significantly improve the life quality of amputees. However, many amputees do not use their prosthetic hand regularly because of its low functionality, and low controllability. This situation calls for the development of versatile prosthetic limbs that allow amputees to perform tasks that are necessary for activities of daily living. The non-pattern based control scheme of the commercial state-of art prosthesis is rather poor and non-natural. Usually, a pair of muscles is used to control one degree of freedom. A promising alternative to the conventional control methods is the pattern-recognition-based control that identifies different intended hand postures of the prosthesis by utilizing the information of the surface electromyography (sEMG) signals. Therefore, the control of the prosthesis becomes natural and easy. The objective of this thesis was to find the features that yield the highest classification accuracy in identifying 7 classes of hand postures in the context of Linear Discriminant Classifier. The sEMG signals were measured on the skin surface of the forearm of the 8 able-bodied subjects. The following features were investigated: 16 time-domain features, two time-serial-domain features, the Fast Fourier Transform (FFT), and the Discrete Wavelet Transform (DWT). The second objective of this thesis was to study the effect of the sampling rate to the classification accuracy. A pre-processing technique, Independent Component Analysis (ICA), was also shortly examined. The classification was based on the steady state signal. The signal processing, features, and classification were implemented with Matlab. The results of this study suggest that DWT and FFT did not outperform the simple and computationally efficient time domain features in the classification accuracy. Thus, at least in noise free environment, the high classification accuracy (> 90 %) can be achieved with a small number of simple TD features. A more reliable control may be achieved if the features are selected individually of a subset of the effective features. Using the sampling rate of 400 Hz instead of commonly used 1 kHz may not only save the data processing time and the memory of the prosthesis controller but also slightly improve the classification accuracy. ICA was not found to improve the classification accuracy, which may be because the measurement channels were placed relatively far from each other. |
| ED: | 2012-09-24 |
INSSI tietueen numero: 45290
+ lisää koriin
INSSI