19604

۱۹۶۰۴

يادگيري تطبيقي براي رفع مشكل اثر موقعيت دست و زمان كاليبراسيون در كنترل مايوالكتريك دست مصنوعي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

۱۳۹۷/۷/۲

دكتر وحيد شالچيان

برق

كنترل مايوالكتريك مبتني بر شناسايي الگو، به عنوان يك تكنيك ارزشمند در جهت كنترل دست هاي مصنوعي در دو دهه ي اخير براي افراد داراي قطع عضو مطرح شده است. عليرغم تنوع و گستردگي الگوريتم هايي كه در حال حاضر براي كنترل مايوالكتريك مبتني بر شناسايي الگو پيشنهاد شده است موانع و چالش هايي نيز هنوز به عنوان مشكلات حل نشده ي اين طرح كنترلي براي پياده سازي هاي تجاري و باليني باقي مانده است. يكي از مهم ترين چالش ها در كنترل مايوالكتريك، حساسيت الگوريتم به موقعيت دست مي باشد. رويكردهايي كه مطالعات و مقالات گذشته براي اين چالش عنوان كرده¬اند را مي¬توان به 2 دسته تقسيم-بندي كرد: 1_استفاده از سنسور شتاب سنج براي تعيين موقعيت دست و 2_آموزش كاربر در موقعيت هاي چندگانه. رويكرد اول استفاده از يك سنسور خارجي است و مي تواند حداقل به لحاظ هزينه مقرون به صرفه نباشد و رويكرد دوم نيازمند زمان آموزش و كاليبراسيون طولاني براي تعليم كاربر مي باشد. بنابراين ما در اين پروژه دو هدف اصلي را مورد مطالعه قرار مي دهيم، هدف اول تعيين و شناسايي موقعيت دست بدون استفاده از هيچ گونه سنسور خارجي و فقط با استفاده از خود داده ي الكترومايوگراف(EMG) مي باشد و دومين هدف نيز طبقه بندي كلاس هاي حركت در موقعيت تعيين شده با حداقل داده ي آموزش و كاليبراسيون مطرح شده است. بنابراين در اين مطالعه يك الگوريتم دو وجهي ارائه شده است كه اولا بتواند موقعيت دست را شناسايي كند و ثانيا براي كاهش زمان يادگيري و كاليبراسيون از يك الگوريتم تطبيقي با بهره گيري از داده ي ساير كاربران براي يادگيري استفاده كند. فضاي ويژگي مورد مطالعه، استخراجِ 4 ويژگي حوزه ي زمان به نام هاي ميانگين مطلق، عبور از صفر، تغيير علامت شيب و طول شكل موج، از داده ي الكترومايوگرافِ ثبت شده مي باشد، بنابراين اين الگوريتم تطبيقي با حداقل كردن يك معيار از فاصله ي آماري بين كلاس ها در اين فضاي ويژگي، يك تبديل خطي براي انتقال فضاي ويژگي از يك كاربر به كاربر ديگر را بدست مي¬دهد. در قسمت نتايج، 4 موقعيت مختلف دست، با صحت ميانگين 87.12 درصد شناسايي شده و تعيين الگوريتم شناسايي الگو در 8 حركت مختلف مچ دست با استفاده از يادگيري مبتني بر تطبيق الگوها از ساير كاربران با صحت 83.21 درصد طبقه بندي شده است. بررسي نتايج نشان مي دهد كه ما توانسته ايم بدون استفاده از سنسور خارجي و صرفا با استفاده از خود داده ي EMG موقعيت دست را شناسايي كرده و با استفاده از اطلاعات موقعيت دست و داده ي ساير كاربران با صحت مناسبي به طبقه بندي 8 كلاس حركت برسيم. واژه هاي كليدي: كنترل مايوالكتريك، الكترومايوگراف، شتاب سنج، الگوريتم تطبيقي و زمان يادگيري.

1397/08/07

Adaptive learning to solve the problem of the effect of hand position and calibration time on myoelectric control of the artificial limb

9/24/2019 12:00:00 AM

Model-based myoelectric control has been proposed as a valuable technique for controlling artificial hands in people with amputation over the past two decades. Despite the variety and breadth of algorithms currently proposed for controlling myoelectric patterns based on pattern recognition, barriers and challenges remain as unresolved issues for this control plan for commercial and clinical implementation. One of the most important challenges in myoelectric control is the sensitivity of the algorithm to the position of the hand. The approaches that previous studies and articles have suggested for this challenge can be categorized into two categories: 1. Using the accelerometer sensor to determine the position of the hand and 2. Training users in multiple positions. The first approach is to use an external sensor and can not be at least cost-effective, and the second approach requires training and calibration time for user training. So, we study two main objectives in this project, the first goal is to determine the position of the hand without using any external sensors and only with its own electromyograph data (EMG), and the second objective Classification of moving classes in a given position with the minimum amount of training and calibration data is proposed. Therefore, in this study, we propose a two-dimensional algorithm that firstly identifies the position of the hand, and secondly, to reduce the learning and calibration time using an adaptive algorithm using the data of other users for learning. This comparative algorithm obtains a linear transformation for transferring a feature space from one user to another by minimizing a statistical distance between classes in a feature space. In the results section, the position of each of the positions was identified in 4 different positions with an average accuracy of 87.21%, and the determination of the pattern recognition algorithm in 8 different movements of the wrists by using patterns matching learning from other users with a precision of 83.21%. The results show that we have been able to identify the position of the hand without using external sensors and using our own EMG data and use the hand position information and other users data with the proper precision to classify the eight classes of motion. Keywords: Myoelectric control, Electromyograph, Accelerometer, Adaptive algorithm and Training time.