dc.creator | Dellagostin, Jonatan | |
dc.date.accessioned | 2024-04-30T12:09:39Z | |
dc.date.available | 2024-04-30T12:09:39Z | |
dc.date.issued | 2024-01-18 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/31870 | |
dc.description.abstract | This thesis presents the steps for constructing a low-cost, open-source robotic prosthetic
hand controlled by artificial intelligence (AI) and driven by servomotors, aimed at the social
inclusion and labor market reintegration of patients who have undergone transradial amputation
of the upper limb. The mechanical block provides a 3D printable anthropomorphic
hand capable of emulating a set of selected useful hand grips. The electrical block is responsible
for reading surface electromyographic signals (sEMG) from the patient’s forearm
and the current of each servomotor, as well as activating the servomotors to perform the
grips. The management block operates at two distinct times: training and inference. During
the training phase, the block accesses sEMG readings from a patient’s forearm during a
session where they are instructed to perform a set of predetermined grips, and uses them
to train a machine learning classification model. Afterward, this management block reads
the sEMG and servomotor currents in real-time, predicts the corresponding grip, and commands
the electrical block to activate the servomotors to execute the grip. The grip intensity
is controlled by a proportional-integral (PI) controller, indirectly using the servomotor current
measurements. The result obtained in the training of the grip classification model, with
an accuracy of 0.9708, proves the effectiveness of the chosen neural network architecture,
even considering the use of only one sEMG sensor. The implementation of a control simulation
environment proved to be a valuable resource for evaluating and debugging motor
current control strategies, avoiding unnecessary wear on the physical system that can occur
when using a strategy that has not been previously tuned and tested. The integration
between all the blocks, however, in order to constitute a fully functional prosthesis, was not
developed and remains as a challenge for future work. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Engenharia biomédica | por |
dc.subject | Biomecânica | por |
dc.subject | Prostética | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Redes neurais profundas | por |
dc.subject | Biomedical engineering | eng |
dc.subject | Biomechanics | eng |
dc.subject | Prosthesis | eng |
dc.subject | Machine learning | eng |
dc.subject | Deep learning | eng |
dc.title | Acionamento e controle de movimentos de uma prótese mioelétrica de mão | por |
dc.title.alternative | Activation and control of movements of a myoelectric hand prosthesis | eng |
dc.type | Dissertação | por |
dc.description.resumo | Esta dissertação apresenta as etapas para a construção de uma mão prostética robótica
de baixo custo, de código aberto, controlada por inteligência artificial (IA) e acionada por
servomotores, visando a inclusão social e no mercado de trabalho de pacientes que sofreram
amputação transradial do membro superior. O projeto é dividido em blocos ou módulos
conceituais independentes: mecânico, elétrico e gerencial. O bloco mecânico fornece uma
mão antropomórfica imprimível em 3D, capaz de emular um conjunto de preensões de mão
úteis selecionadas. O bloco elétrico é responsável pela leitura de sinais eletromiográficos
de superfície (sEMG, do inglês surface electromyography) do antebraço do paciente e da
corrente de cada servomotor, além de acionar os servomotores para realizar as preensões.
O bloco de gerenciamento atua em dois momentos distintos: treinamento e inferência. Na
fase de treinamento o bloco acessa as leituras sEMG do antebraço de um paciente durante
uma sessão onde ele é instruído a realizar um conjunto de preensões predeterminadas, e
as utiliza para treinar um modelo de classificação de aprendizado de máquina. Após isso,
este bloco de gerenciamento lê em tempo real a sEMG e as correntes dos servomotores,
prevê a preensão correspondente e comanda o bloco elétrico para acionar os servomotores
de forma a executar a preensão. A intensidade da preensão é controlada por meio de
um controlador proporcional-integral (PI), utilizando indiretamente as medidas de corrente
dos servomotores. O resultado obtido no treinamento do modelo de classificação de preensões,
com uma acurácia de 0.9708, comprova a eficácia da arquitetura de rede neural
escolhida, mesmo tendo em vista a utilização de apenas um sensor sEMG. A implementação
de um ambiente de simulação de controle mostrou-se um recurso valioso para a
avaliação e depuração de estratégias de controle da corrente do servomotor, evitando desgastes
desnecessários no sistema físico que podem ocorrer ao se utilizar uma estratégia
não previamente sintonizada e testada. A integração entre todos os blocos, entretanto, de
forma a constituir uma prótese plenamente funcional, não foi desenvolvida e permanece
como um desafio para trabalhos futuros. | por |
dc.contributor.advisor1 | Bisogno, Fábio Ecke | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6267716868501584 | por |
dc.contributor.referee1 | Cukla, Anselmo | |
dc.contributor.referee2 | Oliveira, Felipe Gomes de | |
dc.creator.Lattes | http://lattes.cnpq.br/8920391972653631 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Elétrica | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |