EMG Signal Classification for Myoelectric Teleoperating a Dexterous Robot Hand

Abstract

This paper details a strategy of discriminating finger motions using surface electromyography (EMG) signals, which could be applied to teleoperating a dexterous robot hand or controlling the advanced multi-fingered myoelectric prosthesis for hand amputees. Finger motions discrimination is the key problem in this study. Thus the emphasis is put on myoelectric signal processing approaches in this paper. The EMG signal classification system was established based on the surface EMG signals from the subject's forearm. Four pairs of electrodes were attached on the subjects to acquire the signals during six types of finger motions, i.e. thumb extension, thumb flexion, index finger extension, index finger flexion, middle finger extension, and middle finger flexion. In order to distinguish these finger motions. A combination of autoregressive (AR) model and an Artificial Neural Network (ANN) was used in the system. The discrimination procedure consists of two steps. Firstly, the AR model is used to preprocess the surface EMG signals to reduce the scale of the data. These data will be imported into the myoelectric pattern classifier. Secondly the coefficients of AR model are imported into the ANN to identify the finger motions. The experimental results show that the discrimination system works with satisfaction.

Fingertip force estimation from forearm muscle electrical activity

“…Classification accuracies above 95% have been achieved, with higher accuracies found when more electrodes are used, fewer functions are selected and/or longer EMG signal durations are observed. Some studies have concentrated on classification of individual finger movements [10][11][12][13][14]. This approach can increase amputee function, but does not provide the desired proportional control.…”

Control de brazo electrónico usando señales electromiográficas

“…Entre las aplicaciones con mayor impacto usando señales electromiográficas se tienen: seguimiento del rendimiento de deportistas, control de prótesis, control de equipos mecánicos y electrónicos de alta complejidad y sistemas de teleoperación [4][5][6][7]. En la actualidad, el control de sistemas electrónicos usando SEMG ha abierto un campo de investigación bastante amplio; es así como diferentes trabajos se han desarrollado en esta área [8][9][10][11][12] y enfocan sus investigaciones en el control de prótesis, control de la marcha y uso de técnicas avanzadas para el reconocimiento de patrones en SEMG [13][14]. Este trabajo plantea una metodología con el fin de utilizar las SEMG para controlar un sistema electrónico y, en futuras investigaciones, manipular sustancias químicas por medio de sistemas mecánico-electrónicos.…”

Myoelectric Signal Processing Using Time-Frequency Distribution

“…A nivel de procesamiento digital de señales, la característica principal de estas ondas mioélectricas es su comportamiento no estacionario, tanto más cuanto mayor es el esfuerzo muscular realizado [3] [4], esto impone restricciones a los métodos disponibles para ser utilizados en su análisis. La metodología de análisis simultáneo en tiempo y frecuencia, resulta apropiada con este fin, y ocupa la atención de numerosos grupos de investigación relacionados con el procesamiento de señales mioélectricas [5] [6]. La propuesta aquí presenta utiliza un tipo de transformada en tiempo frecuencia denominada Wigner-Ville [7], la cual originalmente fue desarrollada para señales de componentes simples, dado la aparición de términos interferentes que dificultan la clasificación para el caso de las señales de componentes múltiples como las miolélectricas.…”