Advanced

Robust control of hand prosthesis using electromyography, accelerometers and gyros

Löfving, Viktor LU (2017) BMEM01 20171
Department of Biomedical Engineering
Abstract
The goals of this project are to investigate the viability of using the MyoTM armband developed by Thalmic labs as a tool for myoelectric control of a hand prosthesis as well as investigate whether the armbands ability to record its spatial position and orientation can be used to increase the performance of the prosthesis control program. Using the surface electrodes, gyroscopes and accelerometers of the MyoTM armband, a control system for myoelectric control of a hand prosthesis was created and tested on nine different users. The system recognizes eight different hand gestures and uses an artificial neural network as classification tool.
The system was evaluated by two main criteria; gesture classification accuracy and response time.... (More)
The goals of this project are to investigate the viability of using the MyoTM armband developed by Thalmic labs as a tool for myoelectric control of a hand prosthesis as well as investigate whether the armbands ability to record its spatial position and orientation can be used to increase the performance of the prosthesis control program. Using the surface electrodes, gyroscopes and accelerometers of the MyoTM armband, a control system for myoelectric control of a hand prosthesis was created and tested on nine different users. The system recognizes eight different hand gestures and uses an artificial neural network as classification tool.
The system was evaluated by two main criteria; gesture classification accuracy and response time. Offline testing showed an average gesture classification accuracy of over 90%, however, the accuracy was greatly reduced in online testing and a great variance in accuracy between different gestures was observed. Likely in large part caused by user inexperience with the system. The average system response time for all gestures was in the range of 100-200ms, again, with variations between gestures.
Using positional data in addition to the myoelectric signals recorded by the armband showed no significant improvement in accuracy in best case scenarios and a greatly reduced accuracy in worst case scenarios, while the use of positional data still has the potential to improve the performance of a prosthesis control system the wrong approach to do so was likely chosen in this project and positional data was excluded in the final version of the program, using instead only myoelectric data for classification. (Less)
Popular Abstract (Swedish)
Myoelektrisk kontroll av handprotes

Att förlora en hand är en stor förlust och även om allt mer avancerades proteser tillverkas är de fortfarande långt ifrån att prestera lika bra som en riktig hand. För att kunna styra handproteser på ett intuitivt sätt används myoelektrisk kontroll. En metod där man spelar in kroppen muskelsignaler och översätter dem till signaler som kan styra t.ex. en robothand.
Att röra på handen är något vi gör varje dag utan eftertanke men varje liten rörelse är resultatet av en lång signalkedja med ursprung i hjärnan. Om du vill knyta handen skickas först en nervsignal ut från hjärnan, denna signal färdas via långa nervtrådar ut i armen och når muskler i handen och underarmen. När musklerna nås av signalen... (More)
Myoelektrisk kontroll av handprotes

Att förlora en hand är en stor förlust och även om allt mer avancerades proteser tillverkas är de fortfarande långt ifrån att prestera lika bra som en riktig hand. För att kunna styra handproteser på ett intuitivt sätt används myoelektrisk kontroll. En metod där man spelar in kroppen muskelsignaler och översätter dem till signaler som kan styra t.ex. en robothand.
Att röra på handen är något vi gör varje dag utan eftertanke men varje liten rörelse är resultatet av en lång signalkedja med ursprung i hjärnan. Om du vill knyta handen skickas först en nervsignal ut från hjärnan, denna signal färdas via långa nervtrådar ut i armen och når muskler i handen och underarmen. När musklerna nås av signalen drar de ihop sig och drar i de senor som binder samman muskler och skelett och handen knyts. Det finns en mängd olika muskler som påverkar handen och genom att aktivera dem till olika grad kan vi utföra alla de gester vi gör med våra händer varje dag.
Detta innebär att även om man förlorat handen i t.ex. en olycka eller sjukdom finns en stor del av system som styr handen fortfarande kvar. Man kan skicka muskelsignaler som påverkar underarmens muskler men då handen saknas tar det stopp här. Dessa signaler kan ändå komma till nytta, när en muskel drar ihop sig skapas det en liten elektrisk signal som kan spelas in av en elektrod i närheten. Genom att fästa flera elektroder kring de olika musklerna i armen kan man tolka muskelsignalerna som skickas och använda dessa som instruktioner för hur en konstgjord han skall röra sig. Om detta lyckas skulle man kunna skapa en konstgjord hand som styrs lika naturligt som en riktig då man använder sig av exakt samma signaler som innan handen förlorades. Så pass avancerade proteser finns ännu inte idag, de är istället begränsade till ett mindre antal gester och det är inte alltid system tolkar signalerna rätt.
Detta projekt delades upp i två huvuddelar: först och främst skapades ett enkelt styrsystem som med hjälp av elektroder kring underarmen kan känna igen åtta olika gester. Ett vanligt problem med denna typ av styrsystem är att de får svårare att tolka nervsignalerna när rör på armen eftersom elektroderna som ligger på huden rör sig i förhållande till musklerna under huden när armen hålls i olika positioner.
Som en andra del av projektet undersöktes därför ifall styrsystemet kunde förbättras om man använder sig av mer data än enbart muskelsignalerna.
För att uppnå detta användes MyoTM gesture control armband. Armbandet består av åtta elektroder men är också utrustat med sensorer som låter armbandet känna av hur det är orienterat i rummet. Tanken är att denna extra data skall kunna användas för minska problem som uppstår när armen rör sig mellan olika positioner.

Figur 1: Armbandet som användes till projektet. Myo gesture control armband, utvecklat av Thalmic Labs.
Projektet slutade i blandade resultat. Första delmomentet uppnåddes då Myo armbandet kunde användas till att skapa ett fungerande system som kände igen åtta olika gester. Systemet testades på nio olika användare och utvärderades efter träffsäkerhet och responstid. Träffsäkerheten var i bästa fall på över 80 % för alla gester, detta uppnåddes dock bara av en användare. Responstiden i systemet varierade kraftigt mellan de olika gesterna, målet var att komma under 100ms vilket enbart uppnåddes av två gester.
Delmoment två uppnåddes inte. Under försök där den extra informationen från armbandet användes utöver muskelsignalerna syntes i bästa fall ingen förbättring av träffsäkerheten och i värsta fall en markant försämring.

Viktor Löfving – Institutionen för biomedicinsk teknik, Lunds Tekniska Högskola.
Handledare: Christian Antfolk Examinator: Frida Sandberg (Less)
Please use this url to cite or link to this publication:
author
Löfving, Viktor LU
supervisor
organization
course
BMEM01 20171
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Prosthesis control, EMG, surface electrodes
language
English
additional info
17/01
id
8901857
date added to LUP
2017-02-06 12:04:52
date last changed
2017-02-06 12:04:52
@misc{8901857,
  abstract     = {The goals of this project are to investigate the viability of using the MyoTM armband developed by Thalmic labs as a tool for myoelectric control of a hand prosthesis as well as investigate whether the armbands ability to record its spatial position and orientation can be used to increase the performance of the prosthesis control program. Using the surface electrodes, gyroscopes and accelerometers of the MyoTM armband, a control system for myoelectric control of a hand prosthesis was created and tested on nine different users. The system recognizes eight different hand gestures and uses an artificial neural network as classification tool.
The system was evaluated by two main criteria; gesture classification accuracy and response time. Offline testing showed an average gesture classification accuracy of over 90%, however, the accuracy was greatly reduced in online testing and a great variance in accuracy between different gestures was observed. Likely in large part caused by user inexperience with the system. The average system response time for all gestures was in the range of 100-200ms, again, with variations between gestures. 
Using positional data in addition to the myoelectric signals recorded by the armband showed no significant improvement in accuracy in best case scenarios and a greatly reduced accuracy in worst case scenarios, while the use of positional data still has the potential to improve the performance of a prosthesis control system the wrong approach to do so was likely chosen in this project and positional data was excluded in the final version of the program, using instead only myoelectric data for classification.},
  author       = {Löfving, Viktor},
  keyword      = {Prosthesis control,EMG,surface electrodes},
  language     = {eng},
  note         = {Student Paper},
  title        = {Robust control of hand prosthesis using electromyography, accelerometers and gyros},
  year         = {2017},
}