Sara Abbaspour försvarar sin doktorsavhandling i elektronik

Datum: 2019-02-22
Tid: 09.30
Plats: sal Delta, MDH Västerås

Sara Abbaspour, vid akademin för innovation, design och teknik (IDT), försvarar sin doktorsavhandling i elektronik, den 22 februari, klockan 09.30 i sal Delta, MDH Västerås.

Titel: “Electromyogram Signal Enhancement and Upper-Limb Myoelectric Pattern Recognition”.

Serienummer: 283

Opponent är docent Christian Antfolk, Lunds Universitet.

Betygsnämnd är professor Kaj Lindekrantz,  KTH Kungliga tekniska högskolan, docent Christer Grönlund, Umeå universitet, samt professor Kerstin Ramser, Luleå tekniska universitet.

Reserv är professor Thomas Nolte, MDH.

Sammanfattning:

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 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.