1 / 41

Entrenador para el control de prótesis mioeléctricas

Entrenador para el control de prótesis mioeléctricas. Proyecto Fin de Carrera Autor: Víctor Rodríguez Doncel Tutor: Ramón de la Rosa Steinz. Introducción Definición de la señal EMG Utilidad de la señal EMG Estudio teórico Introducción Control proporcional - discreto Entrada y Salida

marcusd
Download Presentation

Entrenador para el control de prótesis mioeléctricas

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Entrenador para el control de prótesis mioeléctricas Proyecto Fin de Carrera Autor: Víctor Rodríguez Doncel Tutor: Ramón de la Rosa Steinz

  2. Introducción • Definición de la señal EMG • Utilidad de la señal EMG • Estudio teórico • Introducción • Control proporcional - discreto • Entrada y Salida • Fases: entrenamiento y operación • Reconocimiento de patrones • Clasificadores • Análisis Discriminante • Entrenamiento • QDF, Mahalanobis, LinealEuclídeo • k-Vecinos • Redes neuronales • Extracción de características • En el tiempo • En la frecuencia • En el tiempo - frecuencia • Aplicación práctica • Trabajo previo y arquitectura • Parámetros preferidos • Aplicaciones • Conclusiones

  3. Definición señal EMG • Señales bioeléctricas: EEG/EKG/EMG • EMG: Señal eléctrica de la contracción de los músculos. • Se puede medir con electrodos de superficie.

  4. Ejemplo señal SEMG

  5. Origen de la señal EMG • EMG: Suma de muchos procesos aleatorios.

  6. Utilidad señal EMG • Medicina • Como origen de una señal de control • Comercializadas: Prótesis mioeléctrica • No comercializadas: tantas aplicaciones como se puedan imaginar

  7. Control proporcional Señal de salida es continua Problema de estimación Ejemplo: primeras prótesis Control discreto Señal de salida es discreta Problema de detección Ejemplo: sistema aquí presentado Sistemas jerárquicos Control: proporcional / discreto

  8. Patrón: Segmento a partir del cual se decide Ejemplo nuestro: Duración: 220 ms Canales: bíceps+tríceps. Estados: Número de decisiones posibles Ejemplo nuestro: 5 - 7 Estados Entrada y Salida

  9. Fases:Entrenamiento / Operación • Entrenamiento: se conoce la entrada y se conoce la salida. El sistema debe aprender. • Operación: sólo se conoce la señal de entrada, y la salida se decide. El sistema debe clasificar sin errores.

  10. Reconocimiento de patrones

  11. Entrenamiento con 1 carac.

  12. fdp gaussiana con 1 carac. H0 H2 H1 H0 H1

  13. Entrenamiento con 2 carac. ZC RMS

  14. fdp gaussiana con 2 car.

  15. fdp gaussiana multivariada

  16. Entrenamiento: estimación de y de

  17. Análisis discriminante • QDF • Mahalanobis • LDF • Euclídeo

  18. Análisis QDF o Mahalanobis

  19. Análisis discriminante lineal

  20. Clasificador de distancia

  21. Clasificador k-vecinos • Varios representantes por cada clase. • Elección del vecino más representado • Elección del vecino más próximo

  22. Red neuronal: perceptrón

  23. Red neuronal de tres capas

  24. Extracción de características temporales • Valor absoluto medio: • Momentos orden k: • Longitud de la señal: • Histograma de amplitudes

  25. Extracción de características frecuenciales (I) • Cruces con cero: • Momentos frecuenciales: • DFT es inadecuada

  26. Extracción de características frecuenciales (II) • Modelo AR: • 1. Entrenamiento es calcular parámetros: • 2. Operación es asignar al que minimiza el error

  27. Extracción de características frecuenciales (III) • El espectro puede hallarse en el plano Z a partir de los parámetros del modelo AR • Coeficientes cepstrales:

  28. Extracción de características de frecuencia - tiempo • Transformada STFT • Transformada wavelet • wavelet continua • wavelet discreta • wavelet packets

  29. Trabajo previo (I)

  30. Trabajo previo (II)

  31. Trabajo previo (III)

  32. Arquitectura propuesta

  33. Biomedida

  34. Parámetros: Filtro de red.

  35. Parámetros (II): frecuencia de muestreo • El 95% de la energía cae bajo los 512Hz

  36. Parámetros (III):Filtros DC y medianas

  37. Parámetros (IV):Filtro FIR paso alto

  38. Espacio (I)

  39. Espacio (II)

  40. Futuras líneas. Mejoras: • Del sistema: aprovechar info. temporal • Del clasificador: red neuronal • Del extractor: transformada Wavelet • Del procesado: mejores filtros • Del hardware: elec. activos, más canales • Detección de la co-contracción • Miniaturización del sistema • Creación de aplicaciones nuevas

  41. Preguntas

More Related