Machine learning based myoelectric control
| dc.contributor.advisor | Müller, Klaus-Robert | |
| dc.contributor.author | Hahne, Janne | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Müller, Klaus-Robert | |
| dc.contributor.referee | Parra, Lucas C. | |
| dc.contributor.referee | Farina, Dario | |
| dc.date.accepted | 2016-01-18 | |
| dc.date.accessioned | 2016-03-21T09:12:38Z | |
| dc.date.available | 2016-03-21T09:12:38Z | |
| dc.date.issued | 2016 | |
| dc.description.abstract | Electromyographic (EMG) signals are used to control electrically powered hand and arm prostheses. In recent years the number of actuated joints in clinically available prostheses has increased significantly. However, the control strategies have not kept up with this development and limit the potential of these devices. Only two electrodes on antagonistic muscle groups are typically used to control a single degree of freedom (DOF). To actuate other DOFs, the active prosthetic joint has to be selected by co-contraction or other heuristics, which is slow and does not allow for natural and fluent movements. Significant research has been conducted in the past decades to overcome these limitations, mainly focusing on classification-based approaches. But these efforts had almost no impact to the clinical practice so far. The main reason for this is the lack of reliability under real-world conditions. In this thesis it is demonstrated that the reliability and robustness of the classification-based approach can be significantly increased by means of optimized spatial filters, which enhance the signal characteristics in raw-signal domain. As the classification-based approach has still limitations regarding the flexibility of combining different motions, regression-based control techniques are explored, which allow for an independent simultaneous and proportional control of multiple DOFs. Four control methods are analyzed offline with a special focus on clinical applicability namely, linear regression (LR), mixture of linear experts (ME), multilayer perceptrons (MLP) and kernel ridge regression (KRR). Results show that simple and computationally efficient methods such as LR and ME can perform as well as the more complex non-linear methods MLP and KRR if a proper feature representation is used. Furthermore, two DOFs of the wrist are linearly separable which allows to estimate combined motions with high precision, even when trained with non-combined movements only. For adaptive control techniques a training of both, the user and the algorithm is required. This is a long process which typically requires several iterations of alternated (re)training of the algorithm and testing and correcting by the user. A novel training strategy for regression-based control is introduced, in which the user and the algorithm can adapt concurrently. In a real-time study the benefits of this co-adaptive learning approach in comparison with conventional training are demonstrated. With this approach ten able-bodied and two subjects with congenital limb deficiency that participated reached an independent, simultaneous and natural control of two DOFs within a very short time. Due to its minimal computational requirements the regression model can be readily implemented on a microcontroller available on prosthetic devices. This is demonstrated by an implementation on an embedded system that fulfills clinical requirements. In tests with a physical hand prosthesis, a subject with transradial amputation learned reliable simultaneous and proportional control the two DOFs. | en |
| dc.description.abstract | Elektromyographische Signale werden verwendet um elektrisch angetriebene Hand- und Armprothesen zu steuern. In den letzten Jahren hat sich die Anzahl der aktiven Gelenke bei klinisch verfügbaren Prothesen signifikant erhöht. Die Entwicklung der Steuerungsalgorithmen konnte mit dieser Entwicklung allerdings nicht mithalten und bildet momentan den Flaschenhals, der den Nutzen neuartiger Prothesen limitiert. Typischer Weise werden nur zwei EMG-Elektroden auf antagonistischen Muskelgruppen benutzt, um einen einzelnen Freiheitsgrad zu steuern. Um weitere Funktionen anzusteuern, ist ein Wechsel des aktiven Gelenks mittels einer Kokontraktion oder einer anderen Heuristik notwendig. Dies ist langsam und ermöglicht keine flüssigen, natürlichen Bewegungsabläufe. Trotz beachtlicher Anstrengungen diese Einschränkungen mit Hilfe von Klassifizierungsalgorithmen zu überwinden, haben die Forschungsansätze in diesem Bereich die klinische Praxis kaum beeinflusst. Die Hauptgründe dafür sind die mangelnde Zuverlässigkeit unter realen Bedingungen. In dieser Arbeit wird gezeigt, dass sich die Zuverlässigkeit und Robustheit der Klassifikation durch den Einsatz optimierter räumlicher Filter, die die Signaleigenschaften im Rohsignal-Raum verbessern, signifikant steigern lässt. Da der Klassifizierungsansatz jedoch nur eingeschränkte Möglichkeiten bietet verschiedene Bewegungen zu kombinieren, werden insbesondere auch Regressionsverfahren betrachtet, die eine unabhängige simultane Proportionalsteuerung mehrerer Funktionen ermöglichen. Ein Besonderer Schwerpunkt der Untersuchungen dieser Arbeit ist die klinische Anwendbarkeit. Vier Methoden, Lineare Regression (LR) einschließlich der Erweiterung Mixture of Linear Experts (ME), Multilayer Perceptrons (MLP) und Kernel Ridge Regression (KRR) werden offline analysiert. Dabei schneiden die einfachen Methoden LR und ME mit geringen rechentechnischen Anforderungen nicht schlechter als die komplexeren, nichtlinearen Methoden MLP und KRR ab, sofern geeignete Feature-Repräsentationen der Signale verwendet werden. Klassifikations- und Regressionsverfahren erfordern ein Training, sowohl des Anwenders, als auch des Algorithmus. Dies ist oft ein langwieriger Prozess der viele Iterationen aus wechselseitigem (neu)trainieren des Algorithmus und des Testens und Korrigierens durch den Nutzer benötigt. Hier wird ein neuer Trainingsansatz für Regressionssteuerungen präsentiert, bei dem Anwender und Algorithmus gleichzeitig lernen können. In einer Echtzeitstudie wird gezeigt, dass dieser Ansatz des koadaptieven Lernens erhebliche Vorteile gegenüber konventionellem Training hat. Mit dieser Methode konnten alle getesteten Versuchspersonen mit normaler Anatomie und zwei Personen mit angeborener Fehlbildung des Unterarms innerhalb kürzester Zeit zwei Freiheitsgrade simultan und proportional steuern. Die verwendeten Algorithmen kommen mit minimaler Rechenleistung aus und lassen sich problemlos auf den vorhandenen Mikrocontrollern einer Prothese verwenden. Dies wird durch die Implementierung auf einem minimalistischen eingebetteten Echtzeitsystem demonstriert, dass die wichtigsten klinischen Anforderungen erfüllt. In Tests mit einer elektrischen Handprothese, konnte die Versuchsperson mit transradialer Amputation die beiden Freiheitsgrade der Prothese zuverlässig simultan und proportional steuern. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/5379 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-5054 | |
| dc.language.iso | en | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 006 Spezielle Computerverfahren | de |
| dc.subject.other | electromyography | en |
| dc.subject.other | hand prosthesis | en |
| dc.subject.other | myoelectric control | en |
| dc.subject.other | regression | en |
| dc.subject.other | adaptation | en |
| dc.subject.other | Elektromyographie | de |
| dc.subject.other | Handprothese | de |
| dc.subject.other | myoelektrische Steuerung | de |
| dc.subject.other | Regression | de |
| dc.subject.other | Adaption | de |
| dc.title | Machine learning based myoelectric control | en |
| dc.title.subtitle | towards clinical application | en |
| dc.title.translated | Steuerung von myoelektrischen Handprothesen mit klinisch anwendbaren Verfahren des Maschinellen Lernens | de |
| dc.title.translatedsubtitle | in Richtung klinischer Anwendung | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |