Reach-to-grasp motions: Towards a dynamic classification approach for upper-limp prosthesis

Abstract

During reach-to-grasp motions, the Electromyographic (EMG) activity of the arm varies depending on motion stage. The variability of the EMG signals results in low classification accuracy during the reaching phase, delaying the activation of the prosthesis. To increase the efficiency of the pattern-recognition system, we investigate the muscle activity of four individuals with below-elbow amputation performing reach-to-grasp motions and segment the arm-motion into three phases with respect to the extension of the arm. Furthermore, we model the dynamic muscle contractions of each class with Gaussian distributions over the different phases and the overall motion. We quantify of the overlap among the classes with the Hellinger distance and notice larger values and, thus, smaller overlaps among the classes with the segmentation to motion phases. A Linear Discriminant Analysis classifier with phase segmentation affects positively the classification accuracy by 6 − 10% on average.

Control Strategies and Performance Assessment of Upper-Limb TMR Prostheses: A Review

“…The selected studies have been classified into two main groups according to the used control strategy (DC or PR); one more group was devoted to papers on comparison among strategies: Direct Control strategy—six papers: Kuiken et al (2004) [ 21 ], Kuiken et al (2005) [ 31 ], Kuiken et al (2007) [ 24 ], Miller et al (2008) [ 32 ], O’Shaughnessy et al (2008) [ 33 ], and Miller et al (2008-b) [ 34 ] Pattern Recognition strategy—10 papers: Mastinu et al (2018) [ 28 ], Kuiken et al (2009) [ 35 ], Smith et al (2013) [ 36 ], Huang et al (2008) [ 37 ], Zhou et al (2007) [ 38 ], Batzianoulis et al (2019) [ 39 ], Batzianoulis et al (2018) [ 40 ], Xu et al (2018) [ 41 ], Hargrove et al (2018) [ 42 ], and Tkach et al (2014) [ 43 ]. Comparison of different types of control—four papers: Hargrove et al (2013) [ 44 ], Wurth and Hargrove (2014) [ 45 ], Hargrove et al (2017) [ 46 ], and Young et al (2014) [ 47 ] …”

“…Pattern Recognition strategy—10 papers: Mastinu et al (2018) [ 28 ], Kuiken et al (2009) [ 35 ], Smith et al (2013) [ 36 ], Huang et al (2008) [ 37 ], Zhou et al (2007) [ 38 ], Batzianoulis et al (2019) [ 39 ], Batzianoulis et al (2018) [ 40 ], Xu et al (2018) [ 41 ], Hargrove et al (2018) [ 42 ], and Tkach et al (2014) [ 43 ].…”

Estimación en la Intención de Agarres: Cilíndrico, Esférico y Gancho Utilizando Redes Neuronales Profundas

“…En los pacientes amputados y rehabilitados se genera un impacto social importante relacionado con un cambio en el modo de vivir de las personas, en su comunidad, su ambiente físico, sus miedos y aspiraciones, su cultura, entre otros [4] . Por otro lado, la tecnología juega un papel importante en beneficio de los amputados, se busca prescindir de los sockets y hacer una osteointegración, además del uso de las prótesis mioeléctricas [5] .…”

“…Actualmente, existe la tendencia de utilizar señales de electromiografía (EMG) como una forma de realizar el control de una prótesis, que tengan cierta funcionalidad extra, como movimiento, yendo más allá de una prótesis estética, y con ello ayudar a la población que sufre de discapacidad, a tener mejores oportunidades de integración en la sociedad [5] .…”

“…La señal de EMG es utilizada en este tipo de prótesis ya que brinda una representación del potencial eléctrico generado por la despolarización de la membrana exterior de las fibras musculares, lo cual es utilizado para interpretar la intención de movimiento [6] . En las últimas décadas, ha habido un auge en la investigación de sistemas que clasifiquen las señales electromiográficas producidas por movimientos específicos de la mano, buscando que se tenga la capacidad de realizar múltiples funciones con un rendimiento confiable [5] .…”