Multi-Articulated Myoelectric Prosthesis Customized for the Norwegian Market

Abstract

Denne avhandlingen presenterer design, utvikling og vurdering av en multi-artikulert myoelektrisk protese tilpasset det norske markedet. Proteser er essensielle for å gjenopprette funksjon og forbedre livskvaliteten for individer som har mistet lemmer, men dagens avanserte multi-artikulerte proteser er uoverkommelig dyre for mange som trenger dem. Denne studien inkluderer en detaljert litteraturgjennomgang, teoretisk bakgrunn, metoder for utvikling og vurdering av resultater. Metodikken dekker tilnærminger og løsninger for alle maskinvare- og programvarekomponenter. Ved å bruke strukturert sEMG datainnsamling, avansert signalbehandling og et en-dimensjonalt konvolusjonelt nevralt nettverk, ble det utviklet en sanntids programvare som leverte en 84% nøyaktig klassifisering av håndbeveglse innen 350 ms forsinkelse. Et annen rammeverk var den vellykkede tilnærmingen av menneskehåndens ledd, frihetsgrader, gripefunksjonalitet og andre antropomorfiske faktorer. De mekaniske og elektriske aspektene, som sene-drevet aktuering og kretskort design, viser seg effektive i daglige aktiviteter, antropomorfe egenskaper og kostnad. Resultatene av denne forskningen demonstrerer kritisk funksjonalitet av en lavkost multi-artikulert myoelektrisk protese som kan fylle et gap i det norske markedet.

This thesis presents the design, development and assessment of a multi-articulated myoelectric prosthesis customized for the Norwegian market. Prosthetics are essential for restoring function and improving the quality of life for individuals who have lost limbs, but today's advanced multi-articulated prostheses are prohibitively expensive for many who need them. This study include a detailed literature review, theoretical background, methods of development and assessments of results. The methodology covers the approaches and solutions of all hardware and software components. By employing structured data collection, advanced signal processing and a one-dimensional convolutional neural network, a real-time pattern recognition software was developed, delivering an 84% accurate gesture classification within 350 ms of delay. Another framework was the successful approximation of the human hand joint DOFs, grip functionality and other factors of anthropomorphism. The mechanical and electrical aspects, such as tendon driven actuation and PCB design, proves effective in activities of daily living and anthropomorphic properties and cost. The results of this research demonstrates critical functionality of a low cost multi-articulated myoelectric prosthesis that can fill a gap in the Norwegian market.