On the Utility of Representation Learning Algorithms for Myoelectric Interfacing

Forskningsoutput: AvhandlingDoktorsavhandling (sammanläggning)

288 Nedladdningar (Pure)

Sammanfattning

När vi människor försöker röra på oss skickas elektriska impulser genom nervsystemet från hjärnan ner till de muskler som är inblandade i den tilltänkta rörelsen. Att kunna mäta sådana nervimpulser hade varit av värde för en rad tillämpningar—information hade då kunnat överföras direkt från nervsystemet utan att gå via långsamma, mekaniska gränssnitt så som tangentbord och pekskärmar. Olyckligtvis är det i dagsläget både svårt och riskfyllt att mäta nervimpulser direkt. Motoriska nerver är små och omgivna av vävnad och kräver därför svåra kirurgiska ingrepp för att nås.

Ett långt mer praktiskt alternativ är att istället utnyttja den elektriska aktivitet som uppstår i själva musklerna när nervinpulserna når fram dit. På grund av sin biokemiska sammansättning genomgår muskelfibrer under sammandragning elektriska urladdningar som till sin natur är mycket lika de som nervcellerna själva genomgår. Eftersom muskler är mycket större än nerver uppstår elektriska signaler som är mycket starkare än de bakomliggande nervimpulserna—muskelgenererad elektrisk aktivitet i till exempel underarmen är kraftfull nog att mätas från huden. En teknik som kan användas för att mäta aktiviteten kallas yt-elektromyografi, förkortat EMG, och är typsikt inte mer krånglig än att elektroder (egentligen bara små bitar metall) placeras intill muskeln eller musklerna som ska mätas. Signaler som samlas in på detta vis kan, efter lämplig behandling, i teorin användas för att erhålla den avsikt som låg bakom rörelsen. Begreppet ”i teorin” utför mycket av arbetet i föregående mening; sambandet mellan muskelsignaler och rörelseavsikt är mycket komplicerat och kräver särskilda algoritmer för att avkodas. Denna avhandling handlar om sådana algoritmer.

Ett välkänt användningsområde för metoder som härleder rörelseavsikt från muskelsignaler är protesstyrning. Bland de muskler som styr handen är flertalet belägna i underarmen, så vid handamputation är det sannolikt att muskler bevaras och utgör förstärkare av de nervimpulser som inte längre resulterar i rörelse. Så kallade myoelektriska proteser kan styras av signaler från sådana muskler. Trots att tekniken funnits länge har denna typ av protes relativt svagt genomslag, och många amputerade väljer att inte använda sin protes alls. Att styrningen inte är naturlig eller exakt nog uppges ofta som ett skäl till missnöje. Detta kan jämföras med samtida protesers mekaniska förmågor, vilka i mångt och mycket motsvarar den naturliga handens.

Arbetet som presenteras i denna avhandling handlar om att utveckla och förbättra metoder som kan användas för att extrahera rörelseavsikt från muskelsignaler, med protesstyrning och andra typer av människa-datorinteraktion som möjliga tillämpningar. Konkret presenteras ett antal inlärningsalgoritmer för detta ändamål, förenade i att de helt eller delvis använder sig utav djupa artificiella neuronnät. Sådana algoritmer kan lära sig att känna igen mönster i muskelsignalerna som är specifika för vissa rörelser och använda denna information för att sluta sig till användarens avsikt. På sådant vis behöver inte det komplicerade sambandet mellan avsikt och muskelaktivitet modelleras explicit; det kan istället läras från exempel (så kallad träningsdata) i form av muskelsignaler som samlas in från den tilltänka användaren. Ett antal fördelar särskiljer de förslag som presenteras i denna avhandlings 8 artiklar från tidigare forskning inom samma fält. Som exempel presenteras metoder som tillåter samtidig styrning av flera frihetsgrader (t. ex. enskilda fingrar). Vidare presenteras en metod som möjliggör styrning som är proportionell mot den underliggande muskelaktivitetens intensitet, trots att träningsdatan bara behöver samlas in under en kontraktionsstyrka. Det introduceras häri även en neuronnätsmodell som kan avkoda rörelseavsikt direkt från nya användare utan behov att samla in ny träningsdata. Sådana egenskaper är tänkta att tillåta framtida gränssnitt mellan muskler och externa enheter som är både mer exakta och mer naturliga än de alternativ som finns tillgängliga idag.
Originalspråkengelska
KvalifikationDoktor
Tilldelande institution
  • Avdelningen för Biomedicinsk teknik
Handledare
  • Antfolk, Christian, handledare
  • Malesevic, Nebojsa, Biträdande handledare
  • Björkman, Anders, Biträdande handledare
Sponsorer för avhandling
Tilldelningsdatum2023 juni 9
UtgivningsortLund
Förlag
ISBN (tryckt)978-91-8039-736-0
ISBN (elektroniskt)978-91-8039-735-3
StatusPublished - 2023

Bibliografisk information

Defence details
Date: 2023-06-09
Time: 09:15
Place: Lecture Hall E:B, building E, Ole Römers väg 3, Faculty of Engineering LTH, Lund University, Lund.
External reviewer(s)
Name: Scheme, Erik
Title: Associate Prof.
Affiliation: University of New Brunswick, Canada.
---

Ämnesklassifikation (UKÄ)

  • Medicinteknik
  • Signalbehandling
  • Interaktionsteknik

Fingeravtryck

Utforska forskningsämnen för ”On the Utility of Representation Learning Algorithms for Myoelectric Interfacing”. Tillsammans bildar de ett unikt fingeravtryck.

Citera det här