Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Real life analysis of myoelectric pattern recognition using continuous monitoring
KTH, School of Technology and Health (STH).
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The use of non-invasive signal acquisition methods is today the standard for testing pattern recognition algorithms in prosthetic control. Such research had shown consecutively high performance on both prerecorded and real time data, yet when tested in real life they deteriorate.

To investigate why, the author who is a congenital amputee, wore a prosthetic system utilizing pattern recognition control on a daily basis for a five-day period. The system generated one new classification every 50 ms and movement execution was made continuously; for classifying open/close; and by winning a majority vote; for classifying side grip, fine grip and pointer. System data was continuously collected and errors were registered through both a manual and an automatic log system.

Calculations on extracted data show that grip classifications had an individual accuracy of 47%- 70% while open/close got 95%/98%, but if classified according to a majority vote, grips increased their accuracy to above 90% while open/close dropped to 80%. The conclusion was that majority vote might help complex classifications, like fine grips, while simpler proportional movements is exacerbated by majority voting. Major error sources were identified as signal similarities, electrode displacements and socket design.

After the daily monitoring ended the systems functionality was tested using the "Assessment of Capacity for Myoelectric Control". The ACMC results showed that the system has similar functionality to commercial threshold control and thus is a possible viable option for both acquired and congenital amputees.

Abstract [sv]

Användningen av icke-invasiva signalavläsningsmetoder är för nuvarande standarden inom utvärderingar av mönsterigenkännings-algoritmer för proteskontroll. Forskning inom området har konsekvent visat på hög prestanda för både ansamlat och realtids data, men när algoritmerna testas i verkliga livet fungerar de ej väl.

För att undersöka varför har författaren, som har en kongenital amputation, burit en protes vilken använder mönsterigenkänningskontroll i sitt vardagliga liv under en femdagars period. Systemet genererade en ny klassificering var 50 ms och rörelse-utförande skedde antingen kontinuerligt; för öppna/stäng; eller genom att vinna en majoritetsröstning, för att klassificera greppen sidogrepp, fingrepp samt peka. Data insamlades kontinuerligt och felklassificeringar registrerades genom både ett manuellt och ett automatiskt markeringssystem.

Beräkningar på insamlade data visade att för grepp låg den individuella träffsäkerheten på 47%- 70% medan öppna/stäng var 95%/98%, men om data grupperades ökade träffsäkerheten för greppen till 90% medan för öppna/stäng minskade den till 80%. Slutsatsen blev då att majoritetsröstning hjälper mer komplexa rörelser som grepp, men är hindrande för mer väldefinierade proportionella öppna/stäng rörelser. De största felkällorna identifierades som likheter i signaler, elektrodavbrytningar och design av proteshylsan.

Efter slutförd daglig övervakning undersöktes funktionaliteten hos systemet med hjälp av funktionalitetstestet "Assessment of Capacity for Myoelectric Control". ACMC testen visade att systemet hade liknande funktionalitet som kommersiell tröskelkontrol och därmed kan ses som ett möjligt alternativ för kontroll, både hos dem med förvärvade och kongenitala amputationer.

Place, publisher, year, edition, pages
2016. , 80 p.
Series
TRITA-STH, 2016:105
Keyword [en]
pattern recognition, prosthetics, continuous monitoring, real life, long term
Keyword [sv]
mönsterigenkänning, proteser, kontinuerlig övervakning, verkliga livet, långtid
National Category
Medical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-196744OAI: oai:DiVA.org:kth-196744DiVA: diva2:1048283
External cooperation
Integrum
Subject / course
Medical Engineering
Educational program
Master of Science in Engineering - Medical Engineering
Presentation
2016-09-02, T-63, Hälsovägen 11C, Flemingsberg, 14:00 (English)
Supervisors
Examiners
Available from: 2017-05-12 Created: 2016-11-21 Last updated: 2017-05-12Bibliographically approved

Open Access in DiVA

fulltext(4894 kB)38 downloads
File information
File name FULLTEXT01.pdfFile size 4894 kBChecksum SHA-512
7733ce28a2b8b0ca420b5a92510578264e09e2314f711e578851eba03827f4f7e23dbec8b2dc944aea8f1706e1c6c8b03918f5313bc9aceefbb85b109162819b
Type fulltextMimetype application/pdf

By organisation
School of Technology and Health (STH)
Medical Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 38 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 58 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf