biomechanik:projekte:ss2016:wpg1605
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
| biomechanik:projekte:ss2016:wpg1605 [03.07.2016 19:08] – [Charakterisierung der Bewegung] Mario Kurz | biomechanik:projekte:ss2016:wpg1605 [28.11.2022 00:58] (aktuell) – Externe Bearbeitung 127.0.0.1 | ||
|---|---|---|---|
| Zeile 22: | Zeile 22: | ||
| Was zum Beispiel möglich ist, wenn man solche Methoden anwendet, könnt ihr euch in folgendem Video anschauen. | Was zum Beispiel möglich ist, wenn man solche Methoden anwendet, könnt ihr euch in folgendem Video anschauen. | ||
| < | < | ||
| - | {{youtube> | + | {{youtube> |
| < | < | ||
| Zeile 93: | Zeile 93: | ||
| Die EMG-Mustererkennung basiert, wie auch TMR, auf der Messung elektrischer Spannung. Die Spannung, welche sich im Bereich von wenigen Millivolt bewegt, wird durch Muskelaktivität erzeugt und an der Hautoberfläche von Elektroden aufgenommen. Mehr zu EMG hier: | Die EMG-Mustererkennung basiert, wie auch TMR, auf der Messung elektrischer Spannung. Die Spannung, welche sich im Bereich von wenigen Millivolt bewegt, wird durch Muskelaktivität erzeugt und an der Hautoberfläche von Elektroden aufgenommen. Mehr zu EMG hier: | ||
| < | < | ||
| - | [[http:// | + | Diese Eigenschaft wird genutzt um mit Hilfe mehrerer Elektroden im Bereich der Amputation Signalmuster zu detektieren, |
| - | < | + | |
| - | Diese Eigenschaft wird genutzt um mit Hilfe mehrerer Elektroden im Bereich der Amputation Signalmuster zu detektieren, | + | |
| < | < | ||
| Das Konzept dahinter verlangt ein System welches die Informationen des EMG-Signals in reproduzierbare Informationen verarbeitet und diese einer Bewegung der Prothese zuordnet. Diese Zuordnungen werden in einer | Das Konzept dahinter verlangt ein System welches die Informationen des EMG-Signals in reproduzierbare Informationen verarbeitet und diese einer Bewegung der Prothese zuordnet. Diese Zuordnungen werden in einer | ||
| Trainingsphase dem System angelernt. Im Alltag sollen dann die Muster erkannt werden und die Prothese entsprechend steuern. Der Zuordnung unterliegt ein Signalverarbeitungsalgorithmus (Abbildung 3). (Platzner, Boschmann, & Kaufmann, 2012) | Trainingsphase dem System angelernt. Im Alltag sollen dann die Muster erkannt werden und die Prothese entsprechend steuern. Der Zuordnung unterliegt ein Signalverarbeitungsalgorithmus (Abbildung 3). (Platzner, Boschmann, & Kaufmann, 2012) | ||
| < | < | ||
| - | Allgemein wird der Algorithmus in vergleichbarer Weise beschrieben (vgl. (Platzner, Boschmann, & Kaufmann, 2012) und (Scheme & Englehart, 2011)). Die Abbildung | + | Allgemein wird der Algorithmus in vergleichbarer Weise beschrieben (vgl. (Platzner, Boschmann, & Kaufmann, 2012) und (Scheme & Englehart, 2011)). Die Abbildung |
| - | Der erste Schritt von (a) nach (b) teilt das Signal in einzelne Zeitbereiche von 100 Millisekunden auf, welche im Folgenden betrachtet werden. Im zweiten Schritt, (b) zu $(c)$, werden die Rohdaten des EMG-Signals behandelt, das heißt es werden unerwünschte Frequenzen, wie z.B. die 50 Hz unseres Stromnetzes (Achtung: 50 Hz liegen im EMG-Frequenzbereich -> spezielle Signalverarbeitung notwendig), und Artefakte durch Elektrodenbewegung gefiltert, gerichtet und geglättet. Das Ergebnis ist ein gut identifizierbarer Verlauf für jedes einzelne EMG-Signal. Aus jedem Signal werden fünf Mittelwerte gebildet und einer Logarithmustransformation unterzogen (d). Für jeden Kanal erhalten wir so fünf Werte. Alle Kanäle zusammen bilden einen charakteristischen Vektor, welcher eine gezielte Bewegung der Prothese abbildet. (Platzner, Boschmann, & Kaufmann, 2012) | + | Der erste Schritt von (a) nach (b) teilt das Signal in einzelne Zeitbereiche von 100 Millisekunden auf, welche im Folgenden betrachtet werden. Im zweiten Schritt, (b) zu $(c)$, werden die Rohdaten des EMG-Signals behandelt, das heißt es werden unerwünschte Frequenzen, wie z.B. die 50 Hz unseres Stromnetzes (Achtung: 50 Hz liegen im EMG-Frequenzbereich -> spezielle Signalverarbeitung notwendig) und Artefakte durch Elektrodenbewegung gefiltert, gerichtet und geglättet. Das Ergebnis ist ein gut identifizierbarer Verlauf für jedes einzelne EMG-Signal. Aus jedem Signal werden fünf Mittelwerte gebildet und einer Logarithmustransformation unterzogen (d). Für jeden Kanal erhalten wir so fünf Werte. Alle Kanäle zusammen bilden einen charakteristischen Vektor |
| < | < | ||
| [{{ : | [{{ : | ||
| Zeile 112: | Zeile 110: | ||
| Es gibt eine ganze Reihe von verschiedenen Klassifikatoren, | Es gibt eine ganze Reihe von verschiedenen Klassifikatoren, | ||
| < | < | ||
| + | |||
| * Trainingsphase | * Trainingsphase | ||
| - | < | + | |
| In der Trainingsphase müssen die Probanden eine vorab eingeübte Bewegung, mehrfach wiederholen. Ein PC erstellt aus den extrahierten Signalen der Bewegung ein Klassifikationsmodell. Der Klassifikator wird trainiert. Um ein stabiles Modell zu erstellen ist es notwendig die Bewegung, abhängig vom Amputationsgrad, | In der Trainingsphase müssen die Probanden eine vorab eingeübte Bewegung, mehrfach wiederholen. Ein PC erstellt aus den extrahierten Signalen der Bewegung ein Klassifikationsmodell. Der Klassifikator wird trainiert. Um ein stabiles Modell zu erstellen ist es notwendig die Bewegung, abhängig vom Amputationsgrad, | ||
| < | < | ||
| - | [{{ : | + | [{{ : |
| < | < | ||
| Zeile 122: | Zeile 121: | ||
| In der Erkennungsphase werden nach Ausführung einer Bewegung wieder charakteristische Merkmale extrahiert und auf das in der Trainingsphase erstellt Klassifikationsmodell angewendet. War das Training erfolgreich führt die mit dem PC verbundene Prothese die vom Probanden angestrebte Bewegung aus. | In der Erkennungsphase werden nach Ausführung einer Bewegung wieder charakteristische Merkmale extrahiert und auf das in der Trainingsphase erstellt Klassifikationsmodell angewendet. War das Training erfolgreich führt die mit dem PC verbundene Prothese die vom Probanden angestrebte Bewegung aus. | ||
| < | < | ||
| - | [{{ : | + | [{{ : |
| < | < | ||
| Eine einfache Abschätzung der Klassifikationsgüte kann über das Verhältnis von korrekter Klassifikationen und der Gesamtanzahl der Klassifikationen bestimmt werden. Mit Hilfe eines regelmäßigen Trainings lässt sich die Klassifikationsgüte verbessern (Platzner, Boschmann, & Kaufmann, 2012). Zudem zeigt sich, dass ein neues Trainieren der Prothese in bestimmten Intervallen ebenfalls zu Verbesserungen führt | Eine einfache Abschätzung der Klassifikationsgüte kann über das Verhältnis von korrekter Klassifikationen und der Gesamtanzahl der Klassifikationen bestimmt werden. Mit Hilfe eines regelmäßigen Trainings lässt sich die Klassifikationsgüte verbessern (Platzner, Boschmann, & Kaufmann, 2012). Zudem zeigt sich, dass ein neues Trainieren der Prothese in bestimmten Intervallen ebenfalls zu Verbesserungen führt | ||
| Zeile 145: | Zeile 144: | ||
| Noch einmal eine illustrierter Variante könnt ihr euch in folgendem Video anschauen. Todd Kuiken berichtet dort auf TED Talk über TMR und Pattern Recognition. Das Video ist recht lang und bietet keine neuen Informationen, | Noch einmal eine illustrierter Variante könnt ihr euch in folgendem Video anschauen. Todd Kuiken berichtet dort auf TED Talk über TMR und Pattern Recognition. Das Video ist recht lang und bietet keine neuen Informationen, | ||
| - | {{youtube> | + | {{youtube> |
| < | < | ||
| Zeile 201: | Zeile 200: | ||
| + | \\ | ||
| + | \\ | ||
| + | |||
| + | ===== Bewertung des Wiki-Moduls ===== | ||
| + | |||
| + | ^ Kategorie | ||
| + | ^ Inhalt (max. 10) | 8 Pkt | Gute Aufarbeitung des Themas, kritische Betrachtung wünschenswert, | ||
| + | ^ Form (max. 5) | 4 Pkt | Überschriften ohne Untertext (z.B. " | ||
| + | ^ Bonus (max. 2) | 2 Pkt | Bezug zu relevanten Wikis, Grafiken selber gemacht mit PPT | | ||
| + | ^ Summe | 14/15 Pkt | 93,3 % | | ||
| - | < | ||
| {{indexmenu_n> | {{indexmenu_n> | ||
biomechanik/projekte/ss2016/wpg1605.1467565738.txt.gz · Zuletzt geändert: 28.11.2022 00:49 (Externe Bearbeitung)