Estimativa de ângulos de junta de dedos a partir de sinais EMG

Abstract

O uso de sinais musculares é cada vez mais utilizado para controlar dispositivos robóticos nos dias de hoje. Os sinais mais utilizados são os sinais EMG, uma vez que permitem um acesso fácil e não invasivo a sinais biológicos dos seres humanos. Contudo, este tipo de sinais, tem a grande desvantagem de não ser constante e variar de pessoa para pessoa, e mesmo em cada pessoa pode variar consoante vários factores. Deste modo, para este tipo de sinais musculares poder ser usado na identificação da posição das articulações, é necessário tratar estes sinais, de modo a que se consiga retirar deles informação útil para a identificação da posição das articulações. Este trabalho baseia-se no uso dessa informação para a identificação do tipo de movimento feito pela mão de um utilizador. Uma técnica que tem vindo a revelar-se bastante eficiente é o uso de uma rede neuronal com Pattern Recognition, contudo para o uso desta técnica é necessário um conjunto muito específico de sub-rotinas relativamente complexas. Nesse sentido, o objectivo principal deste trabalho é desenvolver um software que permita a identificação off-line, de movimentos feitos pela mão de um utilizador. Após haver uma captação dos sinais EMG de um utilizador, enquanto este realiza determinados gestos, ir-se-á dividir os sinais EMG correspondentes a cada tipo de movimento presente nos gestos feitos. Em seguida, o software: cria uma matriz alvo, correspondente aos movimentos presentes no gesto; filtra os sinais EMG; faz o cálculo de uma feature proveniente dos sinais já filtrados; gera uma rede neuronal com Pattern Recognition; faz o treino necessário para que a rede neuronal consiga associar os sinais EMG do utilizador ao movimento que estava a ser feito. Após estas etapas, o software será capaz de identificar o tipo de movimento presente em determinado frame do gesto. Por fim, este software é usado para identificar a posição inicial, o inicio do movimento e o fim do movimento, em cinco gestos diferentes, usando os sinais que foram utilizados para o treino da rede e usando sinais que não foram usados no treino, de forma a comparar a eficiência do reconhecimento entre os dois tipos de sinais.

Nowadays, the use of muscle signs is increasingly employed to control robotic devices. The EMG signs are the most used, once they allow an easy and not invasive access to biological signals of the human beings. Nevertheless, this kind of signals has the great advantage of not being constant and varying from person to person; it can even vary in each person depending of different factors. Thus, so this kind of muscle signs can be used when identifying the positions of the joints, it is necessary to take care of the signs in order to get useful information from them to identify the sort of movement done by a hand’s user. The use of a neural network with Pattern Recognition is a technique that has been revealing itself highly effective. However, to the use this technique, it is necessary a very specific range of relatively complex subroutines. Accordingly, the main aim of this work is to develop software that allows the off-line identification of movements done by a user’s hand. After capturing a user’s EMG signals, while performing some actions, the EMG signals will be divided corresponding to each kind of movement presented in the gesture made; next, the software creates a target matrix corresponding to the movements presented in the gesture. Following, it filters the EMG signs and makes the calculations of a feature from already filtered signs. It generates a neuronal network with Pattern Recognition. It does the necessary training so that the neuronal network is able to associate the user’s EMG signals to the movement that was being done. After these steps, the software will be able to identify the kind of movement used in a specific frame of the gesture. Finally, this software is used to identify the initial position, the beginning and the end of the movement in five different gestures, using the signs that have been used to the network training and using signs that haven’t been used in the training in order to compare the recognition efficiency between the two kinds of signs.