The loss of an upper limb significantly affects an individual’s autonomy and quality of life, making prosthetic solutions essential for restoring functionality. Modern myoelectric prostheses leverage electromyographic signals to control movements, with pattern recognition-based strategies being widely adopted due to their ability to classify muscle activation patterns. However, traditional pattern recognition methods suffer from concept drift, requiring frequent recalibration due to signal variability caused by muscle fatigue, electrode displacement, and user adaptation. This thesis investigates the implementation of incremental learning as an adaptive control strategy for myoelectric prostheses, aiming to improve robustness and real-time adaptability while minimizing the need for extensive retraining. The study focuses on the use of ridge regression combined with random Fourier features for feature extraction, evaluating its performance in adapting to variations in electromyographic signals. The proposed system was tested on both able-bodied and limb-different individuals, analyzing classification accuracy, computational efficiency, and learning time. Results demonstrate that incremental learning significantly enhances control robustness, allowing the system to dynamically update decision boundaries in response to changing electromyographic patterns. The use of random Fourier features outperformed polynomial feature extraction techniques, enabling improved generalization while maintaining computational feasibility. The optimal feature dimensionality was found to be 83, beyond which further complexity did not yield substantial performance gains. An important contribution of this work is the optimization of target remapping strategies. Training all regressors simultaneously, rather than updating only the selected movement, proved to be more effective in maintaining model stability and reducing misclassifications. Additionally, normalization techniques played a crucial role in ensuring reliable predictions, with row-wise normalization outperforming global strategies by preserving inter-channel variations in electromyographic amplitude. A key advantage of incremental learning is its ability to achieve high accuracy with minimal training data. The analysis of minimum learning time revealed that reliable control can be established after just two repetitions per movement, significantly reducing calibration time compared to traditional pattern recognition methods. This feature makes the proposed approach highly suitable for real-world applications, where minimizing user effort is essential for adoption. Despite these promising results, some limitations should be acknowledged. The experiments were conducted in controlled conditions, without variations in limb position or external load conditions. Future research should explore the impact of these factors to ensure robustness in daily life scenarios. Additionally, the real-time implementation of the algorithm on the Hannes prosthetic system is still ongoing. Once completed, the system will be evaluated in an online setting using the Target Achievement Control Test to assess its effectiveness in real-world applications. In conclusion, this thesis demonstrates the feasibility of incremental learning for active prosthetic control, offering a robust and computationally efficient alternative to traditional pattern recognition techniques. By enabling real-time adaptation and reducing the need for frequent recalibration, this approach enhances prosthesis usability and autonomy for individuals with limb differences. Future work will focus on refining real-time deployment, integrating multimodal sensor inputs, and further optimizing the system for embedded implementations.

La perdita di un arto superiore ha un impatto significativo sull'autonomia e sulla qualità della vita di un individuo, rendendo essenziali le soluzioni protesiche per il ripristino della funzionalità. Le protesi mioelettriche moderne sfruttano i segnali elettromiografici per il controllo del movimento, con strategie basate sul riconoscimento di pattern ampiamente adottate per la loro capacità di classificare i pattern di attivazione muscolare. Tuttavia, i metodi tradizionali di riconoscimento di pattern soffrono del problema del concept drift, che richiede frequenti ricalibrazioni a causa della variabilità del segnale, influenzata da affaticamento muscolare, spostamento degli elettrodi e adattamento dell'utente. Questa tesi esplora l'implementazione dell'apprendimento incrementale come strategia di controllo adattativo per le protesi mioelettriche, con l'obiettivo di migliorare la robustezza e l'adattabilità in tempo reale, riducendo la necessità di lunghe fasi di addestramento. Lo studio si concentra sull'uso della regressione ridge combinata con le trasformazioni di Fourier casuali per l'estrazione delle caratteristiche, valutando le sue prestazioni nell'adattarsi alle variazioni dei segnali elettromiografici. Il sistema proposto è stato testato su individui normodotati e con amputazione, analizzando accuratezza di classificazione, efficienza computazionale e tempo di apprendimento. I risultati dimostrano che l'apprendimento incrementale migliora significativamente la robustezza del controllo, permettendo al sistema di aggiornare dinamicamente i confini decisionali in risposta ai cambiamenti dei pattern elettromiografici. L'uso delle trasformazioni di Fourier casuali si è dimostrato più efficace rispetto alle tecniche di espansione polinomiale, garantendo una migliore generalizzazione con un costo computazionale ridotto. È stato identificato un valore ottimale di dimensionalità delle caratteristiche pari a 83, oltre il quale l'aumento della complessità non porta benefici significativi in termini di prestazioni. Un contributo rilevante di questo lavoro è l'ottimizzazione delle strategie di rimappatura del target. L'aggiornamento simultaneo di tutti i regressori, anziché solo del movimento selezionato, ha dimostrato di migliorare la stabilità del modello e ridurre gli errori di classificazione. Inoltre, le tecniche di normalizzazione si sono rivelate cruciali per garantire predizioni affidabili, con la normalizzazione per riga che ha superato le strategie globali preservando la variabilità inter-canale dei segnali elettromiografici. Un altro vantaggio chiave dell'apprendimento incrementale è la capacità di ottenere elevate prestazioni con un numero minimo di dati di addestramento. L'analisi del tempo minimo di apprendimento ha rivelato che il sistema è in grado di garantire un controllo stabile dopo solo due ripetizioni per movimento, riducendo significativamente il tempo di calibrazione rispetto ai metodi tradizionali di riconoscimento di pattern. Questa caratteristica rende l'approccio proposto altamente adatto per applicazioni reali, dove minimizzare lo sforzo dell'utente è un fattore cruciale per l'adozione della tecnologia. Nonostante questi risultati promettenti, alcune limitazioni devono essere considerate. Gli esperimenti sono stati condotti in condizioni controllate, senza variazioni nella posizione dell'arto o nel carico esterno. Studi futuri dovrebbero esplorare l'impatto di questi fattori per garantire la robustezza del sistema in scenari di vita quotidiana. Inoltre, l'implementazione in tempo reale dell'algoritmo sul sistema protesico Hannes è ancora in corso. Una volta completata, la valutazione del sistema verrà effettuata in un contesto online utilizzando il Target Achievement Control Test per verificarne l'efficacia nelle applicazioni reali. In conclusione, questa tesi dimostra la fattibilità dell'apprendimento incrementale per il controllo protesico attivo, offrendo un'alternativa robusta ed efficiente dal punto di vista computazionale ai metodi tradizionali di riconoscimento di pattern. Grazie alla capacità di adattarsi in tempo reale e ridurre la necessità di frequenti ricalibrazioni, questo approccio migliora l'usabilità e l'autonomia delle protesi per individui con amputazione. Le future ricerche si concentreranno sull'ottimizzazione della distribuzione in tempo reale, sull'integrazione di sensori multimodali e sul miglioramento dell'implementazione del sistema nei dispositivi embedded.