Next generation handgrip trainers

Abstract

Denne oppgaven forklarer utviklingsprosessen for en håndgrepstrener som kan samle inn målinger, loggføre data og nøyaktig beskrive grepets dynamikk. Dette betyr at den utviklede håndgrepstreneren må være i stand til å måle den aktive muskelmassen og estimere den slitne muskelmassen i sammentrekningen. Dette skal gjøres for alle fingrene (unntatt tommelen) for å nøyaktig beskrive grepets dynamikk for hver finger. Derfor inneholder håndgrepstreneren fire separate sensorer, én for hver finger. Treneren er modellert og 3D-printet for å inneholde sensorene inne i seg selv, med trykkstifter for å klemme på dem. Dette skaper intuitive trykkpunkter samtidig som det sikrer riktig trykkfordeling over sensorene. Hver sensors krets består av en piezoresistiv sensor, en operasjonsforsterker, en motstand og et 9V-batteri. Når de kombineres, gir de en lineær sammenheng mellom trykk og sensormålinger. Disse målingene samles inn med en ESP32 som logger dataene til en datamaskin via seriellkommunikasjon. Denne innsamlede datasettet brukes deretter til å estimere parametrene for den matematiske modellen som beskriver grepstyrkens dynamikk. Dette gjøres ved hjelp av en minste kvadraters estimator. Den estimerte modellen brukes deretter videre til å hjelpe med å generere den slitne muskelmasse-tilstanden som ikke kan måles direkte. Dette gjøres ved å implementere et Kalman-filter i ESP32. Dette filteret reduserer støyet fra målt aktiv muskelmasse og genererer et estimat av den slitne muskelmassen. I tillegg diskuterer denne rapporten utfordringene som oppstår i utviklingsprosessen og drøfter fremtidige løsninger, med sikte på å forbedre fremtidig utforming av en håndgrepstrener som støtter nøyaktige målinger og beskriver grepets dynamikk.

This thesis explains the development process for a handgrip trainer which can collect measurements, log data and accurately describe grip dynamics. This means that the developed handgrip trainer must be able to measure the active muscle mass, as well as estimate the fatigued muscle mass in the contraction. This should be done for all the fingers (excluding the thumb), in order to accurately describe the grip dynamics for each finger. Therefore the handgrip trainer contains four separate sensors, one for each finger. The trainer device is modelled and 3D printed to incorporate the sensors inside itself, with pressure pins to squeeze on them. This creates intuitive pressure points while ensuring proper pressure distribution over the sensors. Each sensor's circuit consists of a piezoresistive sensor, an operational amplifier, a resistor and a 9V battery. When combined these give a linear relationship between pressure and sensor output. These measurements are collected with an ESP32 that logs the data to a PC over serial communication. This collected data set is then used to estimate the parameters for the mathematical model that describes the grip strength dynamics. This is done via a least squares estimator. The estimated model is then further used to help generate the fatigued muscle mass state that cannot be measured directly. This is done by implementing a Kalman filter in the ESP32. This filter reduces the noise from the measured active muscle mass and generates an estimate of the fatigued muscle mass. Additionally, this report discusses the challenges present in the development process and discusses future solutions, aiming to improve the future design of a handgrip trainer that supports accurate measurements and describes grip dynamics.