Lunedì, 29 marzo 2021

Prosthetic control through sEMG

Versione stampabile

Nell'ambito di un progetto di tesi magistrale supportato da MiRo Lab, Irene Sorianini e Federico Gala hanno realizzato un lavoro ambizioso sotto la supervisione di Nicola Covre, del Prof. Mariolino De Cecco e del Prof. Davide Brunelli. Il sistema di condizionamento è stato invece sviluppato dall’Ing. Antonio Selmo.
Il progetto, partito da zero, integra l'utilizzo di machine learning per la classificazione di gesti al controllo di una mano robotica basandosi sull'attività muscolare dell'avambraccio. 
I segnali sEMG sono raccolti da un sistema con alte performance, versatilità e basso costo, i risultati mostrano un alto livello di accuratezza durante la classificazione, verificata da test on-line. 

Una serie di elettrodi asciutti home-made applicati sull'avambraccio raccolgono i segnali sEMG che sono successivamente processati e classificati da un modello di machine learning che restituisce un feedback visivo azionando una mano robotica. Un'elevata accuratezza nella classificazione è ottenuta con tecniche di data augmentation, che limitano i problemi derivanti dalla variabilità dei fattori umani.  Al momento il sistema utilizza un ensemble di reti LSTM che minimizzano gli errori nella classificazione. 

Il sistema di acquisizione si compone di 5 elementi: un manicotto di neoprene con gli elettrodi integrati, un sistema di filtraggio e amplificazione analogico, un ADC al alte prestazioni ed un'unità raspberry per il processing digitale. Gli elettrodi sono formati da piastrine metalliche 20x20x1 mm connessi al sistema con cavi coassiali. L'amplificazione è a 500, un filtro passa basso a 500 Hz, un passa alto a 20 Hz e un notch filter a 50 Hz restituiscono la banda di interesse del segnale. L'ADC campiona 8 canali a circa 32KSPS (4000Hz per canale). 

Pagina web del sito MIROlab dedicata all'articolo.