Desarrollo de una interfaz de control mioeléctrica para el control de movimiento de una mano robótica de seis grados de libertad

Abstract

RESUMEN: En la actualidad se desarrollan Interfaces de Control Mioeléctrico (MCI por sus siglas en inglés) para sistemas de clasificación de gestos para manos robóticas. Estos sistemas tienen aplicación en diversos campos de la investigación como es la rehabilitación, el deporte de alto rendimiento y para aplicaciones en el campo de la mecatrónica como manipuladores remotos y/o aplicaciones apticas en ambientes peligrosos. Existe un gran número de trabajos que reportan la creación de MCIs centrándose en la adquisición de la señal electromiografía (sEMG), en los métodos utilizados para la clasificación de gestos o movimientos, en el tipo de sensores que se utilizan y en el control de los actuadores que reproducen el movimiento capturado por la MCI. En este trabajo se realizó la implementación de una MCI que captura los movimientos de una mano humana y reproduce el movimiento en una mano robótica utilizando señales sEMG. La metodología empleada fue la siguiente: Se utilizaron sensores sEMG en un arreglo de electrodos 360 grados (dispositivo Myo Armband) con la finalidad de adquirir una mayor cantidad de señales generadas por los músculos del antebrazo cuando se realiza el movimiento de los dedos de la mano; Se aplicaron diferentes técnicas de extracción de características y clasificadores, después se construyó el control de una mano robótica de 6 grados de libertad que interpreta los mismos movimientos generados por la mano humana. En esta tesis se muestra cómo se realizó la adquisición de las señales EMG con la utilización del dispositivo Myo Armband al realizar 9 gestos de la mano como son: flexión – extensión (FE) del dedo meñique, flexión – extensión del dedo anular, flexión – extensión del dedo medio, flexión – extensión del dedo anular, flexión – extensión del dedo pulgar, posición de los dedos extendidos, mano en reposo o cerrada, movimiento de la mano a la derecha y movimiento de la mano a la izquierda al adquirir los datos de una persona donde cada movimiento se realizaron 100 repeticiones. Después de realizar la adquisición de las señales de los movimientos, se aplicaron 3 métodos de extracción de características en el dominio del tiempo como es al valor medio absoluto (MAV), el valor medio eficaz (RMS) y el área bajo la curva (AUC). Estas características se aplicaron a los 8 canales de la adquisición de las señales EMG, posteriormente estos datos obtenidos de la extracción de características se utilizaron en un clasificador de máquina de soporte vectorial (SVM) y en un clasificador de vecinos más cercanos (KNN) donde se logró obtener una exactitud para los modelos de 99.25% y 98% respectivamente. Consecutivamente la salida del mejor clasificador se utilizó para poder realizar el accionamiento de servomotores que a su vez efectúan el movimiento de los dedos de una mano robótica. Se encontró que el clasificador de SVM logró una mayor exactitud por lo que fue utilizado para la MCI para las pruebas experimentales de la MCI desarrollada.

ABSTRACT: Currently, Myoelectric Control Interfaces (MCI) are being developed for gesture classification systems for robotic hands; These systems have application in various fields of research such as rehabilitation, high performance sports and for applications in the field of mechatronics such as remote manipulators and / or aptic applications in hazardous environments. There is a large number of studies that report the creation of MCIs focusing on the acquisition of the electromyography signal (sEMG), on the methods used for the classification of gestures or movements, on the type of sensors that are used and on the control of the actuators that reproduce the motion captured by the MCI. In this work, the implementation of an MCI was carried out that captures the movements of a human hand and reproduces the movement in a robotic hand using sEMG signals. The methodology used was as follows: sEMG sensors were used in a 360-degree electrode arrangement (Myo Armband device) in order to acquire a greater amount of signals generated by the forearm muscles when the movement of the fingers is performed; Different characteristics extraction techniques and classifiers were applied, then the control of a 6-degree-of-freedom robotic hand was built to interpret the same movements generated by the human hand. This thesis shows how the acquisition of EMG signals was performed with the use of the Myo Armband device when performing 9 hand gestures such as: flexion - extension (FE) of the little finger, flexion - extension of the ring finger, flexion - middle finger extension, flexion - ring finger extension, flexion - thumb extension, extended finger position, resting or closed hand, right hand movement and left when acquiring data of a person where each movement was performed 100 repetitions. After acquiring the movement signals, 3 methods of extraction of characteristics were applied in the time domain, such as the absolute mean value (MAV), the effective mean value (RMS) and the area under the curve (AUC). These characteristics were applied to the 8 channels of the acquisition of the EMG signals, later these data obtained from the extraction of characteristics were used in a vector support machine (SVM) classifier and in a nearest neighbor classifier (KNN) where it was possible to obtain an accuracy for the models of 99.25% and 98% respectively. Consecutively, the output of the best classifier was used to be able to drive servo motors that in turn move the fingers of a robotic hand. It was found that the SVM classifier achieved a higher accuracy, so it was used for the MCI for the experimental tests of the developed MCI.