Simultaneous and proportional myoelectric control for fingers movements in robotic hand prosthesis

Myoelectric prosthetic hand control aims to decode motor intention through the interpretation of muscle patterns, thereby restoring previously lost function. Regression-based algorithm allows to control different degree of freedom (DoFs) proportionally and simultaneously, represented, in this thesis, by the force of fingers flexion. The myoelctric control often results non-intuitive for the user who can feel it unnatural. However, subjects adaptation can occur when they find a motor strategy which allows to exploit the controller to its full potential. In this thesis, the user adaptation on specific combination of fingers tasks was evaluated both with a ridge linear regressor and a pure linear regressor whose performance were then compared. After two experimental sessions, the results showed that an user adaptation occurred with both the regression-based controller and, moreover, demonstrates that the pure linear regressor was more reliable and robust than the ridge linear regressor. Having said that, the adaptation was evaluated form the controller point of view in a further experimental session conducted with the pure linear regressor. The machine adaptation was carried out with the exponentially weighted recursive least square (RLS) adaptive filter (chosen after an offline comparison with the sliding window RLS). In general, the aim of machine adaptation is to compensate for the changes of EMG signal due to sweat, muscular fatigue, displacement of the recording electrodes but also the nonstationarities of the control algorithm. In this study the adaptation was applied through a calibration set performed immediately after the regressor calculation with a restricted training set. The performance related to the machine adaptation were compared to the ones achieved with the usual training strategy. The results showed that the performance improve when the calibration set was applied, even if, just 3 subjects were tested. A further development of this study can be conducted on the machine adaptation applied after that the user adaptation is observed so that it just compensates the EMG signal changes.

Il controllo mioelettrico delle mani prostesiche mira a decodificare il task motorio attraverso la decodifica dei segnali muscolari, ripristinando così la funzione precedentemente persa. Gli algoritmi basati sulla regressione consentono di controllare diversi gradi di libertà (DOF) proporzionalmente e simultaneamente dove, in questa tesi, sono considerate le forze della flessione delle dita. Il controllo mioelettrico spesso non risulta intuitivo per l'utente che può percepirlo non naturale. Tuttavia, l'adattamento dei soggetti può verificarsi quando viene appresa una strategia motoria in modo da sfruttare al massimo le potenzialità del controller. In questa tesi l'adattamento dell'utente su una combinazione specifica di dita è stato valutato sia con un regressore lineare ridge sia con un regressore puramente lineare, le cui prestazioni sono state confrontate a posteriori. Dopo due sessioni sperimentali, i risultati hanno mostrato che un adattamento dell'utente si è verificato sia con emtrambi i controllori basato sulla regressione ed, inoltre, dimostra che il regressore puramente lineare risulta più affidabile e robusto del regressore lineare ridge. Detto questo, l'adattamento è stato valutato dal punto di vista del controllore in un' ulteriore sessione sperimentale condotta con il regressore puramente lineare. L'adattamento della macchina è stato effettuato con il filtro adattivo exponentially weighted recursive least square (RLS) (scelto dopo un confronto offline con lo sliding window RLS). In generale, lo scopo dell'adattamento della macchina è quello di compensare le variazioni del segnale EMG dovute al sudore, la fatica muscolare, allo spostamento degli elettrodi di registrazione ma anche alle non stazionarietà dell'algoritmo di controllo. In questo studio l'adattamento è stato applicato attraverso un calibrazion set eseguito immediatamente dopo il calcolo del regressore con un training set ristretto. Le prestazioni relative all'adattamento della macchina sono state confrontate con quelle ottenute con la normale strategia di addestramento. I risultati hanno mostrato che le prestazioni migliorano quando viene applicato il calibration set, anche se solo 3 soggetti sono stati testati. Un ulteriore sviluppo di questo studio può essere condotto sull'adattamento della macchina applicato solo dopo che l'adattamento dell'utente è stato osservato, in modo che compensi solo le variazioni del segnale EMG.