عنوان پایان‌نامه
کنترل بر خط یک بازوی رباتیکی با استفاده از سیگنال های الکترو مایوگرافی
- رشته تحصیلی
- مهندسی مکانیک طراحی کاربردی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3491;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78773;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3491;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78773
- تاریخ دفاع
- ۱۵ شهریور ۱۳۹۵
- دانشجو
- آرمین احرامپوش
- استاد راهنما
- عقیل یوسفی کماء, سیدموسی آیتی
- چکیده
- بر اساس آمار بالای معلولین، بیماران و همچنین جانبازان قطع نخاعی در کشور، لزوم وجود بستر مناسب برای توانبخشی این عزیزان و بازگرداندن توانایی‌های حرکتی به آن‌ها برای انجام کارهای عادی و روزمره، احساس می‌شود. یکی از کاربردهای مهم این پژوهش، کنترل اندام‌های مصنوعی و اورتزها با استفاده از نوار عضلات سالم بیماران است که کیفیت زندگی آن‌ها را بسیار بهبود می‌بخشد. هدف از انجام این پروژه، تلاش در راستای امکان سنجی، طراحی و پیادهسازی سیستم ترکیبی مبتنی بر انسان و رباتی است که در آن ربات با استفاده از سیگنال عضلانی انسان کنترل شده و حرکتی که توسط انسان صورت گرفته را تقلید می‌کند. این پروژه در واقع بخشی از پروسه دستیابی به اندام‌های مصنوعی قابل کنترل با سیگنال‌های نوار عضله بیماران می‌باشد. در راستای رسیدن به این هدف می‌بایست زوایای مفصلی مرتبط به بالاتنه کاربر و کلاس‌های حرکتی گیرش دست با استفاده از سیگنال‌های الکترومایوگرام با دقت بالا تخمین زده شود. در نخستین گام طراحی رابط کاربری، بررسی جامعی بر روی کلیه روش‌های بکار گرفته شده برای تشخیص نیت فرد از روی سیگنال‌های الکترومایوگرام در پروژه‌های تحقیقاتی انجام شد. گام بعدی فراهم کردن یک بستر تست مناسب برای داده‌برداری از سیگنال‌های ماهیچه‌ای و تحلیل و کنترل ربات است. سپس با مطالعه مبانی آناتومی ماهیچه‌ای و طراحی تست‌های مناسب برای دریافت داده‌های نوار عضله دو کاربر مرد و زن، اطلاعات لازم برای شروع فرآیند تشخیص نیت در سطح‌های مختلف و برای تمامی درجات آزادی بالاتنه کاربران فراهم شد. در مرحله بعد برای هموارسازی سیگنال‌ها ،کاهش سطح نویز و کاهش ابعاد سیگنال‌ها از روش‌های فیلتر کردن و تقسیم با پنجره‌های زمانی استفاده می‌شود. با توجه به اینکه، یکی از مهم‌ترین مراحل پردازش سیگنال‌ها، انتخاب و استخراج مشخصه‌های مناسب برای فرآیند نگاشت این سیگنال‌ها به متغیرهای سینماتیکی مورد نیاز برای کنترل ربات است، مشخصه‌های مختلف از حوزه‌های متفاوت بررسی و انتخاب شدند. با استفاده از مشخصه‌های استخراج شده در گام اول، الگوریتم کنترلی غیر الگومحورو روش دو حد آستانه برای کنترل برخط بازوی ربات انسان‌نمای نائو در چهار درجه آزادی مربوط به مفاصل شانه و آرنج پیادهسازی شد. در گام بعد با در نظر گرفتن سه الگوریتم آنالیز تفکیک، ماشین بردار پشتیبان و نزدیک‌ترین همسایه، مراحل بهینه‌سازی پارامترهای مربوط به پنجره‌های زمانی و انتخاب بردار مشخصه‌ای شامل، مشخصه‌های برتر حوزه‌های مختلف صورت گرفت. نتیجه این قسمت، انتخاب الگوریتم طبقه‌بندی آنالیز تفکیک مربعی به همراه یک بردار مشخصه بهینه برای انجام طبقه‌بندی برخط است. بستر تست دوم، پنچه رباتیکی ساخته شده با شش درجه آزادی می‌باشد که روش کنترل الگومحوربرای تشخیص حالت‌های گیرش مختلف دست بر روی آن پیادهسازی شد. تمرکز اصلی این پایان‌نامه بر روی روش کنترل تناسبی می‌باشد که از شبکه عصبی با تاخیر زمانی به عنوان نگاشت مناسب برای تخمین سینماتیک حرکت مربوط به مفاصل بالاتنه، بهره می‌برد. در این روش بعد از تخمین کلاس حرکتی توسط مدل طبقه‌بندی، شبکه عصبی متناظر با هر کلاس حرکتی برای تخمین زوایای مفاصل مربوطه استفاده می‌شود. شبکه عصبی به صورت آفلاین و با استفاده از داده‌های آموزشی مناسب، آموزش می‌بیند تا در مرحله بعد برای تخمین برخط زوایای مفصلی استفاده شود. نتایج تخمین برخط زوایای مفاصلی یک بهبود اساسی را در حوزه کنترل تناسبی نشان می‌دهد. بستر تست سوم نیز ربات انسان‌نمای سورنا است که با استفاده از تخمین برخط زوایای مفصلی، درجات آزادی در مفاصل شانه، آرنج و مچ و کنترلرهای سطح پایین ربات با دقت مناسب کنترل شد.
- Abstract
- The increasing number of people with disabilities and amputations create overwhelming demands for health and rehabilitation services. Myoelectric control has several applications in rehabilitation and prosthetics control that improve amputee’s life quality. The main purpose of this thesis is to design and implement a combinatorial system based on human-robot interaction in which a robotic arm is controlled via electrical activities of human muscle, and imitate operator movements. This project takes a critical step in designing neuroprosthetics. Reaching this goal necessitates accurate estimation of upper limb degrees of freedom angles and hand gestures via Electromyogram (EMG) signals. In the first step, a complete literature survey has been performed on previous and famous human-robot interfaces. The second step was to prepare a test bed for collecting EMG signals from operator upper limb and control a robotic arm. Next, upper limb anatomy basics were studied and proper experiments were designed in order to gain necessary information from two male and female operator. Collected EMG signals were band-pass filtered, divided by time windows for smoothening signal, reducing the noise level and dimension reduction purposes, respectively. Feature extraction is a critical step in myoelectric control. Therefore, various features from different domains were studied to find out the best features with highest estimation accuracy. By creating a proper feature vector, Non-Pattern Recognition based myoelectric control was implemented on Nao robots in 4 different DOFs. Furthermore, three classification algorithms including Discriminant Analysis (LDA, QDA), Support Vector Machine (SVM) and K-Nearest Neighbor (K-NN) were evaluated in order to find the best classification algorithm with the highest accuracy and most robust characteristics. By tuning algorithms parameters, the quadratic discriminant analysis along with a feature vector with the highest accuracy have been chosen. The second test bed was a 6 DOF designed and manufactured robotic hand and Pattern Recognition Based algorithm were implemented on the testbed to imitated 5 different operator’s hand gestures. Proportional Mutex Control method was the main algorithm in this thesis. Time Delayed Artificial Neural network (TDANN) was selected as a proper model for continuous estimation of joint angles due to its capabilities in characterizing static and dynamic properties of the relationship between EMG signals and joint kinematics. Overall estimations indicate that this strategy improved accuracy based on profit of both pattern recognition and regression based models. According to literature survey, gained results shows significant improvements in myoelectric control. The third and the last test bed was Surena 3 robot in which 7 different upper limb DOFs controlled in a proportional manner. Keywords-Myoelectric Control, Proportional Control, Pattern-Recognition, Human-Robot Interaction
