Sviluppo e implementazione di un classificatore per dispositivo indossabile basato su segnale sEMG per movimenti di arto superiore

A myoelectric system, for a prosthesis or an exoskeletal application, is intended to replace a body part or work as an aid in motion. These systems are based on a machine learning method called Pattern recognition, that identifies patterns in the myoeletric acquisition for a later classification on a new incoming signal. This thesis is focused on the classification phase, where is possible to distinquish each class of motion. The study of the classification phase aims to identify nine different movements of the shoulder because this body part hasn't been completely treated in literature, considering that shoulder muscles are less superficial and the signal collected is noisy (due to cross-talking). It will be developed and afterwards implemented a methods for motion classification with the intent of integrate it on a wearable device (Intel Edison). Several tests has been done on sEMG data, first acquired using an eight channel professional acquisition system and after using a three channel acquisition board called Eracle, designed and developed at the Politecnico di Milano by PhD Paolo Belluco. The final results show that the ideal configuration is made of a segmentation with a window of lenght 500 ms and offset of 62 ms, extracting Hudgins feature set (MAC,SSC,WL,ZC) and a novel sEMG classification approach, based on feed forward neural network, defined as multiphase classifyer, that will enhance real time classificazion accuracy. It has been further investigated the possibility of a reduction of the acquisition channels from eight to three remaining on a 97.2% classification accuracy. The performance of the proposed classification path, has been 17 ms per segment analysed, far less than the given real time constraint of 300 ms. Have been made tests with a hand dataset with the aim of document the capability of the proposed system to perform well also on different applications. This study as been realized at the Department of Electronics , Information and Bioengineering in Politecnico di Milano.

Protesi ed esoscheletri hanno il compito di sostituire una parte del corpo o di incrementarne le abilità motorie; per controllare simili dispositivi le intenzioni di moto possono essere ottenute da un sistema mioelettrico. Tale sistema utilizza spesso un metodo di machine learning chiamato Pattern Recognition, che riconosce dei modelli all'interno del segnale in ingresso in modo tale da poterli poi individuare e classificare su un segnale nuovo. In questo studio di tesi si vuole indagare fino alla fase di classificazione del segnale e quindi poter discriminare le diverse classi di movimento. Tale studio verrà applicato per distinguere nove movimenti della spalla, perché questa articolazione è stata poco indagata in letteratura, visto che comprende muscoli poco superficiali e presenta alto cross-talking. Verrà prima sviluppato e in seguito implementato un metodo di classificazione per discriminare le classi di movimento, con lo scopo di essere impiegato all'interno di un dispositivo indossabile (Intel Edison) mediante l'utilizzo di un segnale EMG di superficie. I test sono stati effettuati prima su rilevazioni sEMG ad otto canali, acquisite per mezzo di un sistema professionale, e successivamente mediante una scheda di acquisizione a tre canali chiamata Eracle, ideata e sviluppata all'interno del Politecnico di Milano dal PhD Paolo Belluco. I risultati finali mostrano come configurazione ideale una segmentazione di lunghezza 500 ms e offset di 62 ms, l'utilizzo del set di caratteristiche di Hudgins (MAV,SSC,WL,ZC) e un nuovo approccio in ambito sEMG per il classificatore, basato sulle reti neurali feed forward e definito come classificatore a due fasi, che aumenta le prestazioni a real-time. Inoltre viene mostrata la possibilità di ridurre i canali da otto a tre ottenendo un'accuratezza fino al 97.2%. Le prestazione temporali del percorso scelto sono di 17 ms per segmento, ben al di sotto del requisito real-time (300 ms). Sono stati effettuati inoltre dei test con un dataset della mano, al fine di convalidare la generalità della classificazione ideata. Questo studio è stato effettuato all'interno del Dipartimento di Elettronica, Informazione e Bioingegneria presso il Politecnico di Milano.