A Custom sEMG Acquisition System and Data Collection Program for Machine Learning Based Gesture Classification
(2025) BMEM01 20251Department of Biomedical Engineering
- Abstract
- This study presents a custom surface electromyography (sEMG) data acquisition system combining the TI ADS1299 analog-to-digital converter, Teensy MicroMod micro-controller, and a Python-based graphical user interface for real-time signal monitoring and guided data collection. The system outperformed the widely used Ninapro dataset across all major classification metrics, demonstrating improved class separability and more discriminative signal patterns, thereby validating the hardware and acquisition methods.
High data quality was achieved through an elastic electrode grid for comprehensive muscle coverage, targeted signal filtering, and a relabeling algorithm, emphasizing the central role of robust acquisition in reliable machine... (More) - This study presents a custom surface electromyography (sEMG) data acquisition system combining the TI ADS1299 analog-to-digital converter, Teensy MicroMod micro-controller, and a Python-based graphical user interface for real-time signal monitoring and guided data collection. The system outperformed the widely used Ninapro dataset across all major classification metrics, demonstrating improved class separability and more discriminative signal patterns, thereby validating the hardware and acquisition methods.
High data quality was achieved through an elastic electrode grid for comprehensive muscle coverage, targeted signal filtering, and a relabeling algorithm, emphasizing the central role of robust acquisition in reliable machine learning for EMG based prosthesis control.
Despite these promising results, challenges remain, including susceptibility to noise, electrode placement variability, and physiological influences such as body mass index and wider muscle coverage. Additionally, the system has yet to bethoroughly tested on amputee participants, representing a critical step for real-world deployment. (Less) - Popular Abstract (Swedish)
- Mer träffsäker datainsamling för framtidens proteser
Hur kan vi få en konstgjord hand att kännas mer naturlig att styra? I mitt examensarbete har jag utvecklat ett system som samlar in och analyserar muskelsignaler från underarmen, med målet att förbättra styrningen av proteser. Resultaten visar att metoden ger tydligare och mer användbar information om muskelaktiviteten än enklare, konventionella tekniker, något som kan bana väg för mer avancerade och intuitiva proteser.
När en människa rör på sin hand skickas elektriska signaler från hjärnan ut till musklerna. Dessa signaler kan fångas upp med hjälp av elektroder på huden, en teknik som kallas yt-elektromyografi(yt-EMG). Genom att tolka dessa signaler kan en protes förstå vilken... (More) - Mer träffsäker datainsamling för framtidens proteser
Hur kan vi få en konstgjord hand att kännas mer naturlig att styra? I mitt examensarbete har jag utvecklat ett system som samlar in och analyserar muskelsignaler från underarmen, med målet att förbättra styrningen av proteser. Resultaten visar att metoden ger tydligare och mer användbar information om muskelaktiviteten än enklare, konventionella tekniker, något som kan bana väg för mer avancerade och intuitiva proteser.
När en människa rör på sin hand skickas elektriska signaler från hjärnan ut till musklerna. Dessa signaler kan fångas upp med hjälp av elektroder på huden, en teknik som kallas yt-elektromyografi(yt-EMG). Genom att tolka dessa signaler kan en protes förstå vilken rörelse användaren vill utföra. Problemet är att signalerna ofta är brusiga, varierar beroende på hur elektroderna sitter och påverkas av individuella skillnader. Detta gör det svårt att skapa proteser som känns lika smidiga och naturliga som en riktig hand.
I mitt examensarbete har jag utvecklat ett nytt system som kombinerar specialdesignad hårdvara med ett användarvänligt datorprogram. Systemet använder ett elastiskt elektrodarmband med 24 sensorer som täcker stora delar av underarmens muskler. Signalerna filtreras för att minska störningar, och en algoritm justerar tidpunkterna för när en rörelse faktiskt sker, vilket gör datan mer tillförlitlig. Via ett grafiskt program kan användaren dessutom spela in träningsdata på ett enkelt och automatiserat sätt.
För att mäta kvaliteten jämförde jag mitt system med Ninapro-databasen, som idag är en av de mest använda referenserna inom forskningen. Resultatet blev tydligt: mitt system gav bättre träffsäkerhet på alla viktiga klassificeringsmått, med 84 % korrekt igenkänning av rörelser jämfört med 73 % för Ninapro. Det betyder att rörelserna blev mer distinkta och lättare för en dator att skilja åt.
Nytta och tillämpning? Pålitlig och informationsrik data är avgörande för att utveckla bättre proteser, vilket detta arbete tydligt visar. Men lika viktigt är användarvänlig och väl integrerad mjukvara. Genom program som gör det möjligt för patienter att själva samla in träningsdata och öva på egen hand ökar engagemanget och delaktigheten, något som i sin tur har en stark koppling till hur väl protesen fungerar i vardagen.
Det finns dock utmaningar kvar. Yt-EMG påverkas fortfarande av svett, brus och hur elektroderna placeras. Systemet har heller inte ännu testats på personer som faktiskt saknar en arm eller hand, en avgörande del för framtida studier.
Sammanfattningsvis visar examensarbetet att högkvalitativ datainsamling är en nyckel för att bygga nästa generations proteser. Med bättre signaler kan vi också få bättre algoritmer, och därmed mer naturliga rörelser för dem som förlorat en hand. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9212359
- author
- Brunmark, Filip LU
- supervisor
- organization
- alternative title
- Ett anpassat sEMG-insamlingssystem och datainsamlingsprogram för maskininlärningsbaserad gestklassificering
- course
- BMEM01 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Prosthesis Control, Gesture Classification, Machine Learning
- language
- English
- additional info
- 2025-19
- id
- 9212359
- date added to LUP
- 2025-09-23 09:33:18
- date last changed
- 2025-09-23 09:33:18
@misc{9212359,
abstract = {{This study presents a custom surface electromyography (sEMG) data acquisition system combining the TI ADS1299 analog-to-digital converter, Teensy MicroMod micro-controller, and a Python-based graphical user interface for real-time signal monitoring and guided data collection. The system outperformed the widely used Ninapro dataset across all major classification metrics, demonstrating improved class separability and more discriminative signal patterns, thereby validating the hardware and acquisition methods.
High data quality was achieved through an elastic electrode grid for comprehensive muscle coverage, targeted signal filtering, and a relabeling algorithm, emphasizing the central role of robust acquisition in reliable machine learning for EMG based prosthesis control.
Despite these promising results, challenges remain, including susceptibility to noise, electrode placement variability, and physiological influences such as body mass index and wider muscle coverage. Additionally, the system has yet to bethoroughly tested on amputee participants, representing a critical step for real-world deployment.}},
author = {{Brunmark, Filip}},
language = {{eng}},
note = {{Student Paper}},
title = {{A Custom sEMG Acquisition System and Data Collection Program for Machine Learning Based Gesture Classification}},
year = {{2025}},
}