Sheikah arm
Carregando...
Citações na Scopus
Tipo de produção
Trabalho de Conclusão de Curso
Data
2023-06-14
Autores
Matheus, Ricardo H. A.
Araki, Daniel K. S.
Nunes, Rafael O.
Leal, Gustavo N.
Araki, Daniel K. S.
Nunes, Rafael O.
Leal, Gustavo N.
Orientador
Castro, Maria Claudia F.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
myo armband,prótese mioelétrica,aprendizado de máquina,myoelectric prosthesis,machine learning
Resumo
O presente trabalho tem como objetivo o desenvolvimento de um protótipo de prótese mioelétrica de mão desenvolvida em uma impressora 3D, cuja intensão do usuário seja detectada pela utilização de técnicas de aprendizado de máquina para o reconhecimento de padrões de sinais mioelétricos. Foram estudados os principais componentes e conceitos da solução, partindo do modelo de prótese open source, da leitura de sinais mioelétricos coletados pela Myo Armband, do processamento dos sinais através de aprendizado de máquina utilizando a ferramenta Classification Learner e do Matlab e, por fim, comunicação Wi-Fi com o Raspberry Pi Zero W, responsável pelo controle do movimento final, realizado através do acionamento dos servomotores do protótipo. Utilizando como classificador o SVM Quadrático, a acurácia média obtida nos teste,s com aquisição de dados online, foi de 90,8%, para distinguir cinco movimentos: mão aberta, preensão, pinça, extensão do indicador e extensão do polegar.
The present work aims to develop a prototype of a hand myoelectric prosthesis developed in a 3D printer, whose user intention is detected by using machine learning techniques for the recognition of myoelectric signal patterns. The main components and concepts of the solution were studied, starting from the open-source prosthesis model, the myoelectric signals collected by the Myo Armband, the signal processing through machine learning using the Classification Learner App from Matlab, and, finally, the Wi-Fi communication to the Raspberry Pi Zero W, microcontroller responsible for controlling the final movement, performed by activating the prototype’s servomotors. Using the Quadratic SVM as a classifier, with online data acquisition, was 90.8%, to distinguish five movements: open hand, grasp, pinch, index finger extension, and thumb extension.
The present work aims to develop a prototype of a hand myoelectric prosthesis developed in a 3D printer, whose user intention is detected by using machine learning techniques for the recognition of myoelectric signal patterns. The main components and concepts of the solution were studied, starting from the open-source prosthesis model, the myoelectric signals collected by the Myo Armband, the signal processing through machine learning using the Classification Learner App from Matlab, and, finally, the Wi-Fi communication to the Raspberry Pi Zero W, microcontroller responsible for controlling the final movement, performed by activating the prototype’s servomotors. Using the Quadratic SVM as a classifier, with online data acquisition, was 90.8%, to distinguish five movements: open hand, grasp, pinch, index finger extension, and thumb extension.