Projektpartner

Grundlegende Problemstellung und Zielsetzung

Allgemein: Die Vorhersage der Bewegung von Gliedmaßen soll mithilfe von Elektromyographiesignalen erreicht werden. Die Signalkette von Signalentstehung bis zur Kontraktion des Muskels und der zugehörigen Gelenkbewegung sind aus der Biologie bekannt und können mathematisch beschrieben werden. Bei richtiger Parametrierung kann dieses biologisch inspirierte Modell die Gliedmaßenbewegung – genauer die Bewegung eines Gelenks – vorhersagen.

Problem: Einige Parameter des Modells, wie z.B. Muskellängen, sind in vivo nicht messbar. Bei ungenauer Bestimmung der Parameter weist das Modell Schwächen in der Bewegungsvorhersage in bestimmten Winkelbereichen des Gelenks auf.

Ziel: Ein parallel zum biologisch inspirierten Modell betriebenes datengetriebenes Modell soll die Schwachstellen in der Vorhersage ausgleichen.

Keywords / Stichworte: Datengetriebene Optimierung; Hybride Modelle, Lernen mit Vorwissen; Lernende Assistenzsysteme

Technisches System

Die ML-Lösung für das datengetrieben Teilmodell wurde auf Grundlage eines Künstlichen Neuronalen Feedforward Netzes realisiert (FF-KNN).

Welche Sensoren sind in der Technologie integriert?

  • Elektromyographie-Sensoren zum Aufkleben auf die Haut oberhalb eines relevanten Muskels
  • Winkelsensoren integriert in eine Messorthese (hier Winkelmessung des Ellenbogens)

Welche Daten werden erhoben?

  • Oberflächen EMG-Signale des Musculus biceps brachii (Armbeuger) und triceps brachii (Armstrecker). Hierbei handelt es sich um Signale im oberen Mikrovoltbereich mit Frequenzen von deutlich unter einem Kilohertz mit einem hohen Rauschanteil.
  • Winkel des Ellenbogengelenks wird synchron zum EMG-Signal aufgenommen.

Wie werden die Daten behandelt?

  • EMG-Signale werden in einem biologisch inspirierten Modell genutzt, um Drehmomente vorherzusagen. Die EMG-Daten werden gleichgerichtet, bandbegrenzt und ein ggf. enthaltenes 50 Hz-Rauschen mit einem steilflankigen Notch-Filter entfernt.
  • Winkel des Ellenbogengelenks wird für das überwachte Lernen genutzt, um das benötigte Drehmoment zu errechnen

 

Lösungsansatz

ML-Methode:

Überwachtes Lernen: Das benötigte Drehmoment für die mittels Winkelsensor gemessene Bewegung wird mit dem vorhergesagten Drehmoment des biologisch-inspirierten Modellteils verglichen. Die Differenz stellt das Lernsignal für das FF-KNN dar.

Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?

FF-KNN sind die errechneten Aktivierungslevel, der Winkel und die Winkelgeschwindigkeit.

Werden neue Merkmale erarbeitet, die nicht speziell erfasst werden (z.B. Kombination erhobener Merkmale)?

Die EMG-Signale werden im biologisch inspirierten Modellteil zu einem Aktivierungslevel verarbeitet. Die Aktivierungslevel dienen als Eingangssignale für das FF-KNN.

Nach welchen allgemeinen inhaltlichen Kriterien wird gelernt?

Durch das Erfassen des Ellenbogenwinkel ist die Berechnung des benötigten Drehmoments möglich. Das Drehmoment aus dem biologisch inspirierten Modellteil ist ein weiteres Kriterium. Das Lernen erfolgt auf Grundlage der Differenz dieser Drehmomente.

Beispielimplementation

Hier geht es direkt zur Beispielimplementation dieser Lösung.

Präsentationen und Publikationen

Ansprechpartner

Nils Grimmelsmann (M. Sc. )
nils.grimmelsmann@fh-bielefeld.de
AG Eingebettete Systeme und Biomechatronik
Fachhochschule Bielefeld
Interaktion 1
33619 Bielefeld