https://www.mdu.se/

Losing a limb causes difficulties in our daily life. To regain the ability to live an independent life, artificial limbs have been developed. Hand prostheses belong to a group of artificial limbs that can be controlled by the user through the activity of the remnant muscles above the amputation. Electromyogram (EMG) is one of the sources that can be used for control methods for hand prostheses. Surface EMGs are powerful, non-invasive tools that provide information about neuromuscular activity of the subjected muscle, which has been essential to its use as a source of control for prosthetic limbs. However, the complexity of this signal introduces a big challenge to its applications. EMG pattern recognition to decode different limb movements is an important advancement regarding the control of powered prostheses. It has the potential to enable the control of powered prostheses using the generated EMG by muscular contractions as an input. However, its use has yet to be transitioned into wide clinical use. Different algorithms have been developed in state of the art to decode different movements; however, the challenge still lies in different stages of a successful hand gesture recognition and improvements in these areas could potentially increase the functionality of powered prostheses. This thesis firstly focuses on improving the EMG signal’s quality by proposing novel and advanced filtering techniques. Four efficient approaches (adaptive neuro-fuzzy inference system-wavelet, artificial neural network-wavelet, adaptive subtraction and automated independent component analysis-wavelet) are proposed to improve the filtering process of surface EMG signals and effectively eliminate ECG interferences. Then, the offline performance of different EMG-based recognition algorithms for classifying different hand movements are evaluated with the aim of obtaining new myoelectric control configurations that improves the recognition stage. Afterwards, to gain proper insight on the implementation of myoelectric pattern recognition, a wide range of myoelectric pattern recognition algorithms are investigated in real time. The experimental result on 15 healthy volunteers suggests that linear discriminant analysis (LDA) and maximum likelihood estimation (MLE) outperform other classifiers. The real-time investigation illustrates that in addition to the LDA and MLE, multilayer perceptron also outperforms the other algorithms when compared using classification accuracy and completion rate.

Att förlora en extremitet orsakar svårigheter i vår vardag. För att återfå förmågan till ett självständigt liv har artificiella händer och ben utvecklats. Handproteser kan kontrolleras av användaren genom aktiviteten hos återstående muskler ovanför amputationen. Elektromyogram (EMG) är en av de källor som kan användas till kontrollmetoder för handproteser. Yt-EMG är kraftfulla icke-invasiva verktyg som ger information om neuromuskulär aktivitet hos en specifik muskel, vilket är avgörande för dess användning att styra proteser. Komplexiteten hos signalen utgör dock en stor utmaning. EMG-mönsterigenkänning för att avkoda olika handrörelser är ett viktigt framsteg när det gäller kontroll av motoriserade proteser. Denna metod har potential att möjliggöra styrning av proteser genom att använda EMG-signalerna från muskelkontraktioner som insignal. Denna metod har dock ännu inte fått någon stor klinisk spridning. Olika algoritmer har utvecklats inom området för att avkoda olika rörelser; men utmaningen att identifiera olika handrörelser i olika faser kvarstår, och förbättringar inom dessa områden kan komma att öka funktionaliteten hos motoriserade proteser. Denna avhandling undersöker flera aspekter kring detta, först hur kvaliteten hos EMG-signaler kan förbättras genom att nya och avancerade filtreringstekniker. Fyra effektiva tillvägagångssätt (adaptivt neuro-fuzzy inference system-wavelet, artificiellt neuralt nätverk-wavelet, adaptiv subtraktion och automatiserad oberoende komponentanalys-wavelet) presenteras för att förbättra filtreringsprocessen för yt-EMG-signaler och effektivt eliminera EKG-störningar. Även offline-prestanda för olika EMG-baserade igenkänningsalgoritmer undersöks, däribland förmågan att klassificera olika handrörelser med sikte på att erhålla nya myoelektriska kontrollkonfigurationer som förbättrar igenkänningen. För att undersöka hur väl de myoelektriska mönsterigenkänningssalgoritmerna fungerar i verkliga situationer, har ett brett spektrum av myoelektriska algoritmer undersökts i realtid. 15 friska frivilliga försökspersoner har använt systemet och resultaten tyder på att linjär diskriminantanalys (LDA) och maximal sannolikhetsbedömning (MLE) är bättre än de andra klassificeringsmetoderna. Realtidsundersökningen visar också att förutom LDA och MLE, så är algoritmerna med flerlagersperception bättre än de övriga algoritmerna då de jämförs med avseende på klassificeringsnoggrannhet och beräkningshastighet.