Real-time pattern recognition for prosthetic hand
Citas bibliográficas
Enlace de Referencia
Autores
Jurado
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen
El control de prótesis mioeléctricas es todavía un problema sin resolver, actualmente, la mayoría de las prótesis comerciales usan estrategias de control directas, proporcionales o por máquina de estados para este propósito. Sin embargo, a medida que el diseño mecánico avanza, prótesis más habilidosas con más grados de libertad (GDL) son creadas, por lo cual se requiere un control más preciso e intuitivo por parte del usuario. El estado del arte se ha enfocado en el uso de reconocimiento de patrones como estrategia de control con resultados prometedores. Estudios han mostrado la capacidad de este de obtener resultados similares a estrategias clásicas de control. Muchos de estos trabajos buscan aquel algoritmo que mejor siga la intención del usuario. No obstante, la implementación de estos algoritmos en tiempo real dentro de una prótesis sigue siendo un desafío. Este proyecto afronta este problema al implementar y probar en tiempo real una red neuronal artificial (RNA). La RNA fue entrenada para clasificar 3 movimientos diferentes: mano abierta, agarre de precisión y agarre de fuerza con el objetivo de controlar una prótesis trans-radial de 2 GDL con señales electromiográficas obtenidas de dos canales. Se llevaron a cabo pruebas estáticas y dinámicas para evaluar el desempeño de la red bajo estas condiciones, la precisión de la red fue de 95 y 81% respectivamente. Este trabajo muestra el potencial de los algoritmos de reconocimiento de patrones para ser implementados en microcontroladores que se ajusten a las limitaciones de tamaño de una prótesis mioeléctrica. Adicionalmente, se desarrolló un prototipo de una prótesis de mano que es capaz de replicar las acciones clasificadas.
Resumen
Control of myoelectric prosthetic hands is still an open problem, currently, most commercial prostheses use direct, proportional or Finite State Machine control for this purpose. However, as mechanical design advances, more dexterous prostheses with more degrees of freedom (DOF) are created, then a more precise and intuitive control for the user is required. State of the art has focused in the use of pattern recognition as a control strategy with promising results. Studies have shown similar results to classic control strategies with the advantage of being more intuitive for the user. Many works have tried to find the algorithms that best follows the user?s intention. However, deployment of these algorithms for realtime classification in a prosthesis has not been widely explored. This project addresses this problem by deploying and testing in real-time an artificial neural network (ANN). The ANN was trained to classify three different motions: no grasp, precision grasp and power grasp in order to control a two DOF trans-radial prosthetic hand with electromyographic signals acquired from two channels. Static and dynamic tests were made to evaluate the ANN under those conditions, 95% and 81% accuracy scores were reached respectively. Our work shows the potential of pattern recognition algorithms to be deployed in microcontrollers that can fit inside myoelectric prostheses. On the other hand, a prototype of a prosthetic hand that is able to physically replicate the classified actions was developed.