Protótipo inteligente de prótese mioelétrica de mão de baixo custo auxiliada por sistema de visão

Abstract

Tendo em vista as necessidades de pessoas com amputação de membros superiores, é proposto, neste trabalho, o desenvolvimento de um protótipo de prótese de mão de baixo custo, operando em conjunto com uma rede neural para reconhecimento de objetos presentes no cotidiano para definir o padrão de preensão a ser executado, e de um sistema de Eletromiografia de superfície (sEMG) para comandar o acionamento dos motores da prótese. A prótese foi construída com material chamado de ácido polilático (PLA) e impressa em uma impressora Voolt 3D GI3. A rede neural convolucional Visual Geometry Group (VGG) foi escolhida para a classificação dos objetos e foi modificada para operar no microcomputador Raspberry Pi 3 (RPI3), que foi conectado a uma webcam. Foram utilizados os softwares Keras, como interface de programação de aplicativos, e TensorFlow, como software de computação numérica. Por meio de um banco de imagens de objetos de uso diário, a rede neural foi treinada para a classificação dos objetos, em função do tipo de preensão necessário para pegá-los, em cinco classes: Potência Punho Neutro, Potência Punho Pronado, Pinça de três pontos, Extensão do Indicador e Preensão Lateral. A imagem capturada do objeto que se deseja manusear é classificada pela rede neural e, por meio do sinal dos sensores de sEMG, o microcomputador Raspberry Pi comanda o fechamento e abertura da prótese para a correta manipulação do objeto. A prótese de mão proposta obteve 100% de acurácia para a preensão de objetos da classe potência com punho neutro, 99% de acurácia para a preensão de objetos da classe potência com punho pronado, 98% de acurácia para a preensão de objetos da classe pinça de três pontos, 99% de acurácia para a preensão de objetos da classe preensão lateral e 99% de acurácia para o uso da classe extensão do indicador

Considering the needs of persons with upper limb amputation, it is proposed, in this work, it is proposed the development of a low-cost hand prosthesis prototype, operating in conjunction with a neural network to recognize daily uses objects and to define the pattern of grip to be executed, and a Surface Electromyography (sEMG) system to command the drive of the motors of the prosthesis. The prosthesis was constructed with polylactic acid (PLA) material and printed on a Voolt 3D GI3 printer. The Visual Geometry Group (VGG) was chosen to classify the objects and was modified to operate on the Raspberry Pi 3 (RPI3) microcomputer, that was connected to a webcam. Keras software was used as an application programming interface and TensorFlow as numerical computing software. With the database of daily use objects, the neural network was trained to classify them, based on the grasp type needed, into five classes: Power Neutral, Power Pronated, Tripod Pinch, Indicator Extension and Lateral key hold. The captured image of the object to be handled is classified by the neural network and, through the signal of the sEMG sensors, the Raspberry Pi microcomputer commands the closure and opening of the prosthesis for the correct manipulation of the object. The proposed hand prosthesis obtained a 98% accuracy for the grip of the class threepoint tweezers, 100% accuracy for the grip of the class power with neutral wrist, 99% accuracy for the grip of the class power with pronated wrist, 99% accuracy for the grip