Towards the Control of an Upper-Limb Prosthesis Using Surface Electromyography

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
School of Electrical Engineering | Master's thesis
Date
2012
Major/Subject
Bioautomatiikka
Bioautomation
Mcode
AS-84
Degree programme
Language
en
Pages
Series
Abstract
The loss of an upper limb is a life-altering accident which makes everyday life more difficult.A multifunctional prosthetic hand with an user-friendly control interface may significantlyimprove the life quality of amputees. However, many amputees do not use their prosthetichand regularly because of its low functionality, and low controllability. This situation callsfor the development of versatile prosthetic limbs that allow amputees to perform tasks thatare necessary for activities of daily living. The non-pattern based control scheme of the commercial state-of art prosthesis is rather poorand non-natural. Usually, a pair of muscles is used to control one degree of freedom. Apromising alternative to the conventional control methods is the pattern-recognition-basedcontrol that identifies different intended hand postures of the prosthesis by utilizing theinformation of the surface electromyography (sEMG) signals. Therefore, the control of theprosthesis becomes natural and easy. The objective of this thesis was to find the features that yield the highest classificationaccuracy in identifying 7 classes of hand postures in the context of Linear DiscriminantClassifier. The sEMG signals were measured on the skin surface of the forearm of the 8 ablebodiedsubjects. The following features were investigated: 16 time-domain features, twotime-serial-domain features, the Fast Fourier Transform (FFT), and the Discrete WaveletTransform (DWT). The second objective of this thesis was to study the effect of the samplingrate to the classification accuracy. A preprocessing technique, Independent ComponentAnalysis (ICA), was also shortly examined. The classification was based on the steady statesignal. 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 andcomputationally efficient time domain features in the classification accuracy. Thus, at least innoise free environment, the high classification accuracy (> 90 %) can be achieved with asmall number of simple TD features. A more reliable control may be achieved if the featuresare selected individually of a subset of the effective features. Using the sampling rate of 400Hz instead of commonly used 1 kHz may not only save the data processing time and thememory of the prosthesis controller but also slightly improve the classification accuracy.ICA was not found to improve the classification accuracy, which may be because themeasurement channels were placed relatively far from each other.

Yläraaja-amputaatio vaikuttaa suuresti päivittäiseen elämään. Helposti ohjattavalla toiminnallisillaproteeseilla amputoitujen henkilöiden elämänlaatua voitaisiin parantaa merkittävästi.Suurin osa amputoiduista henkilöistä ei kuitenkaan käytä proteesiaan säännöllisesti proteesinvähäisten toimintojen ja vaikean ohjattavuuden vuoksi. Olisikin tärkeää kehittää helpostiohjattava ja riittävästi toimintoja sisältävä proteesi, joka mahdollistaisi päivittäisessäelämässä välttämättömien tehtävien suorittamisen. Markkinoilla olevat lihassähköiset yläraajaproteesit perustuvat yksinkertaiseen hahmontunnistustahyödyntämättömään ohjaukseen, jossa lihasparilla ohjataan yleensä yhtä proteesinvapausastetta. Lupaava vaihtoehto perinteisille ohjausmenetelmille on hahmontunnistukseenpohjautuva ohjaus. Se tunnistaa käyttäjän käden asennot käsivarren iholta mitatun lihassähkösignaalinsisältämän informaation avulla mahdollistaen helpon ja luonnollisen ohjauksen. Tämän diplomityön tavoitteena oli löytää piirteet, jolla seitsemän erilaista käden asentoa pystytäänluokittelemaan mahdollisimman tarkasti lineaarisella diskriminantti luokittelijalla.Lihassähkösignaalit mitattiin kahdeksan ei-amputoidun koehenkilön käsivarresta ihon pinnallekiinnitetyillä elektrodeilla. Työssä vertailtiin seuraavia piirteitä: 16 aika-alueen piirrettä,kaksi aikasarja-alueen piirrettä, nopea Fourier-muunnos (FFT), diskreetti Aallokemuunnos(DWT). Työn toinen tavoite oli tutkia näytteenottotaajuuden vaikutusta luokittelutarkkuuteen.Myös esiprosessointia riippumattomien komponenttien analyysillä tutkittiinlyhyesti. 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 Fouriermuunnosyllä laskennallisesti tehokkaampia aika-alueen piirteitä parempaan luokittelutarkkuuteen.Pienellä määrällä yksinkertaisia aika-alueen piirteitä voidaan saavuttaa hyvä luokittelutarkkuus(>90 %). Luokittelutarkkuutta voitaneen edelleen parantaa valitsemalla optimaalisetpiirteet yksilöllisesti pienestä joukosta hyviksi havaittuja piirteitä. Käyttämällä 400Hz:n näytteenottotaajuutta yleisesti käytetyn 1 kHz:n sijasta, voidaan sekä säästää prosessointiaikaaja proteesin prosessorin muistia että myös parantaa hieman luokittelutarkkuutta.Esiprosessointi riippumattomien komponenttien analyysillä ei parantanut luokittelutarkkuutta,mikä johtunee siitä, että mittauskanavat olivat suhteellisen kaukana toisistaan.
Description
Supervisor
Visala, Arto
Thesis advisor
Visala, Arto
Keywords
sEMG, upper-limb prostheses, pattern-based control, hand posture classification
Other note
Citation