Spelling suggestions: "subject:"myoelectric signals"" "subject:"nyoelectric signals""
1 |
Investigation into the control of an upper-limb myoelectric prosthesisRoberts, Steven Michael January 2002 (has links)
No description available.
|
2 |
Myoelectric Signal Processing for Prosthesis ControlHofmann, David 05 February 2014 (has links)
No description available.
|
3 |
Proposta de um sistema baseado em redes neurais e wavelets para caracterização de movimentos do segmento mão-braçoBermudez, Rosa Maria Jimenez January 2018 (has links)
Este trabalho apresenta um sistema para o processamento do sinal mioelétrico baseado em Redes Neurais e Wavelets. Com a aquisição dos sinais mioelétricos dos músculos do segmento mão-braço, é possível determinar diversos parâmetros para a caracterização dos movimentos executados. A Transformada Wavelets foi utilizada na etapa de segmentação do sinal e a rede neural artificial na caracterização do movimento executado. O sistema é constituído de um eletromiógrafo (EMG de 8 canais), placa de aquisição de dados e um computador responsável pelo processamento dos dados. Foram utilizado eletrodos de superfície posicionados em lugares estratégicos no segmento mão-braço. O experimento consiste em repetir movimentos do segmento mão-braço executados por um modelo virtual. Os movimentos avaliados, neste trabalho, são: contração da mão, extensão do punho, flexão do antebraço, flexão do punho, rotação do braço, rotação e flexão do antebraço, rotação do braço e contração da mão, extensão e flexão do punho, contração da mão e elevação do braço. Esses movimentos são apresentados ao sujeito em determinadas sequências através dos modelos virtuais desenvolvidos, permitindo assim, a padronização do movimento a ser executado pelo voluntário O sinal é adquirido através de uma placa de aquisição e processado. As etapas principais de processamento são: segmentação do sinal de interesse através da Wavelet Discreta, extração de características (r.m.s, variância, desvio padrão, sesgo, curtose ) e uso da Rede Neural para determinar o movimento executado final dos testes, foi verificado que o movimento contração da mão e elevação do braço apresentou uma taxa de acerto média de 75%; o movimento flexão do antebraço obteve 81% de acerto médio; a contração da mão obteve 33% de acerto médio, o movimento contração da mão 76% de acerto médio; o movimento de flexão do punho 100 % de acerto médio, rotação e flexão do antebraço 66% de acerto médio, extensão e flexão do punho um 16% de acerto médio, extensão do punho 83,3% de acerto médio, rotação do braço 16,7% de acerto médio. Rotação do braço e contração da mão 83,3% de acerto médio. / This work presents a neural-network myoelectric processing-based system. With the acquisition of myoelectric signals from the muscles of the hand-arm segment, it is possible to determine the parameters that characterize the executed movements. Therefore, in this work Artificial Neural Networks are implemented to recognize patterns in order to determine the executed movement. The system is constituted by an electromyography (8-channel EMG), a data acquisition board and a computer responsible for data processing. In this research an experimental system is developed to capture the myoelectric signals by means of an EMG and a data acquisition board. Surface electrodes located in strategic places in the hand-arm segment are used. The experiment consists of repeated movements of the hand-arm segment executed by a virtual model. The movements examined in this work are: hand contraction, fist extension, forearm flexion, fist flexion, arm rotation, forearm rotation and flexion, fist contraction and extension and arm elevation. Those movements are presented to a volunteer in a random way by means of the virtual models developed, permitting a standardization of the movements that are to be executed by the volunteer. In the last part it is verified that the hand-contraction movement and the arm-elevation movement present an accuracy rate average of 75%; the forearm-flexion movement reaches 81% of accuracy rate average, the hand-contraction movement with 33% of accuracy rate average, the hand-contraction movement with 76% of accuracy rate average, the fist-flexion movement reached a 100% in the accuracy rate average, the forearm rotation flexion movement with a 66% in the accuracy rate average, the fist extension and flexion movement reaches the 16% in the accuracy rate average and the fist-extension movement with a 83.3% of accuracy rate average.
|
4 |
Proposta de um sistema baseado em redes neurais e wavelets para caracterização de movimentos do segmento mão-braçoBermudez, Rosa Maria Jimenez January 2018 (has links)
Este trabalho apresenta um sistema para o processamento do sinal mioelétrico baseado em Redes Neurais e Wavelets. Com a aquisição dos sinais mioelétricos dos músculos do segmento mão-braço, é possível determinar diversos parâmetros para a caracterização dos movimentos executados. A Transformada Wavelets foi utilizada na etapa de segmentação do sinal e a rede neural artificial na caracterização do movimento executado. O sistema é constituído de um eletromiógrafo (EMG de 8 canais), placa de aquisição de dados e um computador responsável pelo processamento dos dados. Foram utilizado eletrodos de superfície posicionados em lugares estratégicos no segmento mão-braço. O experimento consiste em repetir movimentos do segmento mão-braço executados por um modelo virtual. Os movimentos avaliados, neste trabalho, são: contração da mão, extensão do punho, flexão do antebraço, flexão do punho, rotação do braço, rotação e flexão do antebraço, rotação do braço e contração da mão, extensão e flexão do punho, contração da mão e elevação do braço. Esses movimentos são apresentados ao sujeito em determinadas sequências através dos modelos virtuais desenvolvidos, permitindo assim, a padronização do movimento a ser executado pelo voluntário O sinal é adquirido através de uma placa de aquisição e processado. As etapas principais de processamento são: segmentação do sinal de interesse através da Wavelet Discreta, extração de características (r.m.s, variância, desvio padrão, sesgo, curtose ) e uso da Rede Neural para determinar o movimento executado final dos testes, foi verificado que o movimento contração da mão e elevação do braço apresentou uma taxa de acerto média de 75%; o movimento flexão do antebraço obteve 81% de acerto médio; a contração da mão obteve 33% de acerto médio, o movimento contração da mão 76% de acerto médio; o movimento de flexão do punho 100 % de acerto médio, rotação e flexão do antebraço 66% de acerto médio, extensão e flexão do punho um 16% de acerto médio, extensão do punho 83,3% de acerto médio, rotação do braço 16,7% de acerto médio. Rotação do braço e contração da mão 83,3% de acerto médio. / This work presents a neural-network myoelectric processing-based system. With the acquisition of myoelectric signals from the muscles of the hand-arm segment, it is possible to determine the parameters that characterize the executed movements. Therefore, in this work Artificial Neural Networks are implemented to recognize patterns in order to determine the executed movement. The system is constituted by an electromyography (8-channel EMG), a data acquisition board and a computer responsible for data processing. In this research an experimental system is developed to capture the myoelectric signals by means of an EMG and a data acquisition board. Surface electrodes located in strategic places in the hand-arm segment are used. The experiment consists of repeated movements of the hand-arm segment executed by a virtual model. The movements examined in this work are: hand contraction, fist extension, forearm flexion, fist flexion, arm rotation, forearm rotation and flexion, fist contraction and extension and arm elevation. Those movements are presented to a volunteer in a random way by means of the virtual models developed, permitting a standardization of the movements that are to be executed by the volunteer. In the last part it is verified that the hand-contraction movement and the arm-elevation movement present an accuracy rate average of 75%; the forearm-flexion movement reaches 81% of accuracy rate average, the hand-contraction movement with 33% of accuracy rate average, the hand-contraction movement with 76% of accuracy rate average, the fist-flexion movement reached a 100% in the accuracy rate average, the forearm rotation flexion movement with a 66% in the accuracy rate average, the fist extension and flexion movement reaches the 16% in the accuracy rate average and the fist-extension movement with a 83.3% of accuracy rate average.
|
5 |
Proposta de um sistema baseado em redes neurais e wavelets para caracterização de movimentos do segmento mão-braçoBermudez, Rosa Maria Jimenez January 2018 (has links)
Este trabalho apresenta um sistema para o processamento do sinal mioelétrico baseado em Redes Neurais e Wavelets. Com a aquisição dos sinais mioelétricos dos músculos do segmento mão-braço, é possível determinar diversos parâmetros para a caracterização dos movimentos executados. A Transformada Wavelets foi utilizada na etapa de segmentação do sinal e a rede neural artificial na caracterização do movimento executado. O sistema é constituído de um eletromiógrafo (EMG de 8 canais), placa de aquisição de dados e um computador responsável pelo processamento dos dados. Foram utilizado eletrodos de superfície posicionados em lugares estratégicos no segmento mão-braço. O experimento consiste em repetir movimentos do segmento mão-braço executados por um modelo virtual. Os movimentos avaliados, neste trabalho, são: contração da mão, extensão do punho, flexão do antebraço, flexão do punho, rotação do braço, rotação e flexão do antebraço, rotação do braço e contração da mão, extensão e flexão do punho, contração da mão e elevação do braço. Esses movimentos são apresentados ao sujeito em determinadas sequências através dos modelos virtuais desenvolvidos, permitindo assim, a padronização do movimento a ser executado pelo voluntário O sinal é adquirido através de uma placa de aquisição e processado. As etapas principais de processamento são: segmentação do sinal de interesse através da Wavelet Discreta, extração de características (r.m.s, variância, desvio padrão, sesgo, curtose ) e uso da Rede Neural para determinar o movimento executado final dos testes, foi verificado que o movimento contração da mão e elevação do braço apresentou uma taxa de acerto média de 75%; o movimento flexão do antebraço obteve 81% de acerto médio; a contração da mão obteve 33% de acerto médio, o movimento contração da mão 76% de acerto médio; o movimento de flexão do punho 100 % de acerto médio, rotação e flexão do antebraço 66% de acerto médio, extensão e flexão do punho um 16% de acerto médio, extensão do punho 83,3% de acerto médio, rotação do braço 16,7% de acerto médio. Rotação do braço e contração da mão 83,3% de acerto médio. / This work presents a neural-network myoelectric processing-based system. With the acquisition of myoelectric signals from the muscles of the hand-arm segment, it is possible to determine the parameters that characterize the executed movements. Therefore, in this work Artificial Neural Networks are implemented to recognize patterns in order to determine the executed movement. The system is constituted by an electromyography (8-channel EMG), a data acquisition board and a computer responsible for data processing. In this research an experimental system is developed to capture the myoelectric signals by means of an EMG and a data acquisition board. Surface electrodes located in strategic places in the hand-arm segment are used. The experiment consists of repeated movements of the hand-arm segment executed by a virtual model. The movements examined in this work are: hand contraction, fist extension, forearm flexion, fist flexion, arm rotation, forearm rotation and flexion, fist contraction and extension and arm elevation. Those movements are presented to a volunteer in a random way by means of the virtual models developed, permitting a standardization of the movements that are to be executed by the volunteer. In the last part it is verified that the hand-contraction movement and the arm-elevation movement present an accuracy rate average of 75%; the forearm-flexion movement reaches 81% of accuracy rate average, the hand-contraction movement with 33% of accuracy rate average, the hand-contraction movement with 76% of accuracy rate average, the fist-flexion movement reached a 100% in the accuracy rate average, the forearm rotation flexion movement with a 66% in the accuracy rate average, the fist extension and flexion movement reaches the 16% in the accuracy rate average and the fist-extension movement with a 83.3% of accuracy rate average.
|
6 |
Estudo e avaliação de técnicas de processamento do sinal mioelétrico para o controle de sistemas de reabilitação. / Study and evaluation of techniques for myoelectric signal processing to control rehabilitation systems.Ortolan, Rodrigo Lício 05 April 2002 (has links)
Este trabalho tem a finalidade de analisar algumas técnicas de processamento do sinal mioelétrico, de forma a possibilitar uma posterior implementação de um circuito, que reconheça este sinal e apresente como saída um sinal de controle a ser utilizado em sistemas de reabilitação. Foram simuladas e avaliadas três técnicas de filtragem para o sinal mioelétrico, a fim de atenuar a interferência dos principais ruídos que corrompem este sinal. As técnicas avaliadas foram: filtragem digital clássica; cancelamento de ruído adaptativo e reconstrução do sinal por meio das componentes obtidas pela transformada wavelet. Também foi implementado e analisado um sistema simplificado de reconhecimento dos padrões para este sinal, realizado por meio de uma rede neural artificial, em que foi aplicado em sua entrada o próprio sinal mioelétrico e não suas características obtidas por processamentos matemáticos. Diante dos resultados obtidos os canceladores de ruído adaptativos apresentaram melhores resultados com relação às outras técnicas de filtragem. Apesar de não ter sido adequada para a filtragem, a transformada wavelet mostrou-se uma poderosa ferramenta de análise de sinais, em virtude da sua característica multiresolução. A técnica utilizada para reconhecer os padrões do sinal mostrou bons resultados com os sinais analisados. / This work has the purpose to analyze some techniques for myoelectric signal processing, towards a subsequent implementation of a circuit which can recognize this signal and present as output a control signal to be used in rehabilitation systems. Simulation and evaluation of three filtering techniques for the myoelectric signal were done in order to attenuate the main interferences of noises which corrupt this signal. The evaluated techniques were: classic digital filtering; adaptive noise cancelling and the signal reconstruction through the obtained components by the wavelet transform. A simplified system of pattern recognition for this signal also was implemented and analyzed, accomplished through an artificial neural network. The myoelectric signal itself was applied to the input instead of its characteristics obtained by mathematical processing. According to the results obtained the adaptive noise cancelling presented better results in comparison to the other filtering techniques. Despite not being adequate for filtering, the wavelet transform proved to be a powerful tool for signal analysis, by virtue of its multiresolution characteristics. The technique used to recognize the signal patterns has shown good results with the analyzed signals.
|
7 |
Estudo e avaliação de técnicas de processamento do sinal mioelétrico para o controle de sistemas de reabilitação. / Study and evaluation of techniques for myoelectric signal processing to control rehabilitation systems.Rodrigo Lício Ortolan 05 April 2002 (has links)
Este trabalho tem a finalidade de analisar algumas técnicas de processamento do sinal mioelétrico, de forma a possibilitar uma posterior implementação de um circuito, que reconheça este sinal e apresente como saída um sinal de controle a ser utilizado em sistemas de reabilitação. Foram simuladas e avaliadas três técnicas de filtragem para o sinal mioelétrico, a fim de atenuar a interferência dos principais ruídos que corrompem este sinal. As técnicas avaliadas foram: filtragem digital clássica; cancelamento de ruído adaptativo e reconstrução do sinal por meio das componentes obtidas pela transformada wavelet. Também foi implementado e analisado um sistema simplificado de reconhecimento dos padrões para este sinal, realizado por meio de uma rede neural artificial, em que foi aplicado em sua entrada o próprio sinal mioelétrico e não suas características obtidas por processamentos matemáticos. Diante dos resultados obtidos os canceladores de ruído adaptativos apresentaram melhores resultados com relação às outras técnicas de filtragem. Apesar de não ter sido adequada para a filtragem, a transformada wavelet mostrou-se uma poderosa ferramenta de análise de sinais, em virtude da sua característica multiresolução. A técnica utilizada para reconhecer os padrões do sinal mostrou bons resultados com os sinais analisados. / This work has the purpose to analyze some techniques for myoelectric signal processing, towards a subsequent implementation of a circuit which can recognize this signal and present as output a control signal to be used in rehabilitation systems. Simulation and evaluation of three filtering techniques for the myoelectric signal were done in order to attenuate the main interferences of noises which corrupt this signal. The evaluated techniques were: classic digital filtering; adaptive noise cancelling and the signal reconstruction through the obtained components by the wavelet transform. A simplified system of pattern recognition for this signal also was implemented and analyzed, accomplished through an artificial neural network. The myoelectric signal itself was applied to the input instead of its characteristics obtained by mathematical processing. According to the results obtained the adaptive noise cancelling presented better results in comparison to the other filtering techniques. Despite not being adequate for filtering, the wavelet transform proved to be a powerful tool for signal analysis, by virtue of its multiresolution characteristics. The technique used to recognize the signal patterns has shown good results with the analyzed signals.
|
Page generated in 0.042 seconds