Entrenador para el control de prótesis mioeléctricas

Presentación del tema: "Entrenador para el control de prótesis mioeléctricas"— Transcripción de la presentación:

1 Entrenador para el control de prótesis mioeléctricas
Proyecto Fin de Carrera Autor: Víctor Rodríguez Doncel Tutor: Ramón de la Rosa Steinz ----

2 Introducción Estudio teórico Aplicación práctica Conclusiones
Definición de la señal EMG Utilidad de la señal EMG Estudio teórico Control proporcional - discreto Entrada y Salida Fases: entrenamiento y operación Reconocimiento de patrones Clasificadores Análisis Discriminante Entrenamiento QDF, Mahalanobis, LinealEuclídeo k-Vecinos Redes neuronales Extracción de características En el tiempo En la frecuencia En el tiempo - frecuencia Aplicación práctica Trabajo previo y arquitectura Parámetros preferidos Aplicaciones Conclusiones

3 Definición señal EMG Señales bioeléctricas: EEG/EKG/EMG
EMG: Señal eléctrica de la contracción de los músculos. Se puede medir con electrodos de superficie.

4 Ejemplo señal SEMG

5 Origen de la señal EMG EMG: Suma de muchos procesos aleatorios.

6 Utilidad señal EMG Medicina Como origen de una señal de control
Comercializadas: Prótesis mioeléctrica No comercializadas: tantas aplicaciones como se puedan imaginar

7 Control: proporcional / discreto
Señal de salida es continua Problema de estimación Ejemplo: primeras prótesis Control discreto Señal de salida es discreta Problema de detección Ejemplo: sistema aquí presentado Sistemas jerárquicos ----

8 Entrada y Salida Patrón: Segmento a partir del cual se decide
Ejemplo nuestro: Duración: 220 ms Canales: bíceps+tríceps. Estados: Número de decisiones posibles Ejemplo nuestro: 5 - 7 Estados

9 Fases: Entrenamiento / Operación
Entrenamiento: se conoce la entrada y se conoce la salida. El sistema debe aprender. Operación: sólo se conoce la señal de entrada, y la salida se decide. El sistema debe clasificar sin errores.

10 Reconocimiento de patrones

11 Entrenamiento con 1 carac.

12 fdp gaussiana con 1 carac.
H0 H2 H1 H0 H1

13 Entrenamiento con 2 carac.
ZC RMS

14 fdp gaussiana con 2 car.

15 fdp gaussiana multivariada

16 Entrenamiento: estimación de y de

17 Análisis discriminante
QDF Mahalanobis LDF Euclídeo

18 Análisis QDF o Mahalanobis

19 Análisis discriminante lineal

20 Clasificador de distancia

21 Clasificador k-vecinos
Varios representantes por cada clase. Elección del vecino más próximo Elección del vecino más representado

22 Red neuronal: perceptrón

23 Red neuronal de tres capas

24 Extracción de características temporales
Valor absoluto medio: Momentos orden k: Longitud de la señal: Histograma de amplitudes

25 Extracción de características frecuenciales (I)
Cruces con cero: Momentos frecuenciales: DFT es inadecuada

26 Extracción de características frecuenciales (II)
Modelo AR: 1. Entrenamiento es calcular parámetros: 2. Operación es asignar al que minimiza el error

27 Extracción de características frecuenciales (III)
El espectro puede hallarse en el plano Z a partir de los parámetros del modelo AR Coeficientes cepstrales:

28 Extracción de características de frecuencia - tiempo
Transformada STFT Transformada wavelet wavelet continua wavelet discreta wavelet packets

29 Trabajo previo (I)

30 Trabajo previo (II)

31 Trabajo previo (III)

32 Arquitectura propuesta

33 Biomedida

34 Parámetros: Filtro de red.

35 Parámetros (II): frecuencia de muestreo
El 95% de la energía cae bajo los 512Hz

36 Parámetros (III): Filtros DC y medianas

37 Parámetros (IV): Filtro FIR paso alto

38 Espacio (I)

39 Espacio (II)

40 Futuras líneas. Mejoras:
Del sistema: aprovechar info. temporal Del clasificador: red neuronal Del extractor: transformada Wavelet Del procesado: mejores filtros Del hardware: elec. activos, más canales Detección de la co-contracción Miniaturización del sistema Creación de aplicaciones nuevas

41 Preguntas