Die Steuerung der menschlichen Hand umfasst viele biomechanische Freiheitsgrade, was eine direkte EMG-basierte Steuerung von Roboter- und Prothesenhänden erschwert. In früheren Arbeiten wurde daher die kontinuierliche Dekodierung der Hand- und Fingerkinematik aus Oberflächen-EMG-Signalen mithilfe von Regressionsmodellen und neuronalen Netzen untersucht [1]. Parallel dazu hat die Forschung zu Muskel- und kinematischen Synergien gezeigt, dass Handbewegungen in einem niedrigdimensionalen latenten Raum dargestellt werden können, anstatt durch die unabhängige Steuerung jedes einzelnen Gelenks. Frühe Studien von Marco Santello et al. haben gezeigt, dass natürliche Greifhaltungen bereits mit wenigen Hauptkomponenten rekonstruiert werden können [2]. Neuere Arbeiten kombinieren EMG-Dekodierung mit Latentraum- und Deep-Learning-Ansätzen, um eine continuierliche und biologisch plausiblere Steuerung von Roboterhänden zu ermöglichen [3].
Aufbauend auf diesen Entwicklungen untersucht diese Masterarbeit die kontinuierliche EMG-gesteuerte Steuerung von Roboterhänden mittels einer niedrigdimensionalen Synergie-Darstellung.
Projektziele
- Durchführung einer Literaturrecherche zur kontinuierlichen Steuerung von Roboterhänden
- Entwurf einer Pipeline, die anhand von EMG-Signalen des Unterarms unter Berücksichtigung von Muskel- und kinematischen Synergien die Winkel der Fingergelenke rekonstruiert
- Implementierung eines Reglers für eine Roboterhand, der die entwickelte Pipeline nutzt und realistische Bewegungen erzeugt
- Testen in der Simulation und an einer realen Roboterhand sowie Bewertung der Genauigkeit der Bewegungsrekonstruktion
Voraussetzungen
- Student/in der Medizintechnik, Mechatronik, Autonomy Technology, Elektrotechnik oder Computational Engineering
- Programmierkenntnisse in Python
- Kenntnisse in der Kinematik von Roboterhänden und der Verarbeitung von Biosignalen
- Interesse an Roboterhänden und der motorischen Steuerung des Menschen
Verweise
[1] R. J. Smith et al., “Continuous decoding of finger position from surface EMG signals for the control of powered prostheses,” Proc. IEEE EMBS, pp. 197–200, 2008.
[2] M. Santello, M. Flanders, and J. F. Soechting, “Postural hand synergies for tool use,” Journal of Neuroscience, vol. 18, no. 23, pp. 10105–10115, 1998.
[3] E. Krasoulis, S. Vijayakumar, and K. Nazarpour, “Effect of user practice on prosthetic finger control with an intuitive myoelectric decoder,” Frontiers in Neuroscience, vol. 13, 2019.
Kontakt
marius.kindermann@fau.de