Tactilemyography Sensor-based Control System for an Upper-limb Prosthetic Device

Abstract

[ES] En los últimos años, se han realizado muchas mejoras en el campo de las prótesis de mano robóticas, Especialmente en las interfaces utilizadas para controlar estos dispositivos y en la detección de la actividad muscular. Sin embargo, el estado actual del arte de la industria todavía muestra muchos dispositivos protésicos con baja confiabilidad. El problema de myocontrol (control de la prótesis utilizando los músculos residuales del amputado) ha sido resuelto durante muchos años utilizando la electromiografía, una técnica en la que se registra el potencial eléctrico generado por las células musculares. Esta tecnología, aunque se usa ampliamente en la mayoría de las prótesis de mano robóticas, tiene algunas limitaciones que incluyen la dificultad de detectar parte del potencial eléctrico generado por los músculos en el brazo muscular interno. Esto se debe a interferencias y ruido en la señal capturada por los sensores EMG: En esta tesis, se estudia una novedosa tecnología de detección llamada Tactilemyography (TMG) con el objetivo de evaluar su idoneidad para predecir los movimientos de la mano en amputados de extremidades superiores. Esta tecnología TMG captura la variación de la presión en el músculo superficial. Dos nuevos diseños de brazaletes que incluyen matrices de sensores TMG se construyen para registrar datos de la actividad muscular del paciente cuando se realizan diferentes movimientos. Más tarde, estos datos se utilizan para entrenar varios algoritmos de aprendizaje automático para predecir los movimientos de los pacientes con la mayor precisión posible. Con un primer brazalete que incluye un conjunto de 52 unidades de sensores TMG, se lograron precisiones de 92.42%, 90.30% y 80,50% para 4, 5 y 6 grados de libertad, respectivamente. El segundo brazalete, que incluye 150 unidades de sensor TMG, mostró precisiones más altas (96.41%, 96.13%, 93.63% para escenarios de 4, 5 y 6 grados de libertad). Los valores de precisión más altos obtenidos en general con el sistema de 150 unidades puede dar una idea de cómo funciona mejor una mayor densidad de superficie de detección. Los mejores algoritmos de rendimiento para ambos sistemas de brazaletes fueron K-Neighestest Neighbours y un neuronal de 2 capas red, mientras que otros algoritmos como Naïve Bayes mostraron una precisión mucho menor. Los resultados de esta tesis son útiles para investigaciones posteriores sobre la tecnología TMG cuando se aplica a prótesis robóticas.

[EN] Over the last years, many improvements have been done in the field of robotic hand prosthetics, especially in the interfaces used to control these devices and in the sensing of the muscular activity. However, the current state of the art of the industry still shows many prosthetic devices with low reliability. The problem of myocontrol (control of the prosthesis using the residual muscles of the amputee) has been solved for many years using electromyography, a technique where the electric potential generated by muscle cells is recorded. This technology, although widely used in most robotic hand prosthetics, has some limitations which include the difficulty of sensing some of the electric potential generated by muscles in the internal muscular arm. This is due to interferences and noise in the signal captured by the EMG sensors. In this thesis, a novel sensing technology called Tactilemyography (TMG) is studied with the objective of finding its suitability to predict hand movements in upper-limb amputees. This TMG technology captures pressure variation in the superficial muscle. Two new bracelet designs including arrays of TMG sensors are built in order to record data of patient s muscular activity when different movements are performed. Later, this data is used to train several machine learning algorithms in order to predict the patients¿ movements with the highest accuracy possible. With a first bracelet design including an array of 52 TMG sensor units, accuracies of 92.42%, 90.30% and 80,50% were achieved for the prediction of 4, 5 and 6-degrees of freedom scenarios, respectively. A second bracelet design including 150 TMG sensor units, showed higher accuracies (96.41%, 96.13%, 93.63% for 4, 5 and 6-degrees of freedom scenarios). The higher accuracy values obtained overall with the 150-units system can give an insight on how a higher sensing surface density performs better. The best performing algorithms for both bracelet systems were K-Nearest Neighbors and a 2-layers neural network, whereas others algorithms such as Naïve Bayes showed a much lower accuracy. The results of this thesis are useful for further research on then TMG sensing technology when applied to robotic prosthetics.