LOGIN / Acesse o sistema

Esqueceu sua senha? Redefina aqui.

Ainda não possui uma conta? Cadastre-se aqui!

REDEFINIR SENHA

Insira o endereço de email associado à sua conta que enviaremos um link de redefinição de senha para você.

Ainda não possui uma conta? Cadastre-se aqui!

Este conteúdo é exclusivo para membros ABCM

Inscreva-se e faça parte da comunidade

CADASTRE-SE

Tem uma conta?

Torne-se um membros ABCM

Veja algumas vantagens em se manter como nosso Associado:

Acesso regular ao JBSMSE
Boletim de notícias ABCM
Acesso livre aos Anais de Eventos
Possibilidade de concorrer às Bolsas de Iniciação Científica da ABCM.
Descontos nos eventos promovidos pela ABCM e pelas entidades com as quais mmantém acordo de cooperação.
Estudantes de gradução serão isentos no primeiro ano de afiliação.
10% de desconto para o Associado que pagar anuidade anntes de completar os 12 meses da última anuidade paga.
Desconto na compra dos livros da ABCM, entre eles: "Engenharia de Dutos" e "Escoamento Multifásico".
CADASTRE-SE SEGUIR PARA O VIDEO >

Tem uma conta?

Eventos Anais de eventos

Anais de eventos

COBEM 2017

24th ABCM International Congress of Mechanical Engineering

Control of a Tendon-Driven Robotic Hand from Surface Electromyographic Signals

Submission Author: Carlos Malqui , RJ
Co-Authors: Marco Antonio Meggiolaro, Carlos Malqui
Presenter: Carlos Malqui

doi://10.26678/ABCM.COBEM2017.COB17-1881

 

Abstract

Initially, this research was presented as main study to develop a robotic prosthesis for people with hand amputation, such as the case of disjointed amputation handle. This paper covers the following topics: position of electrodes to capture the surface electromyography signals (sEMG), design of an electromyography as muscle interface, pre-processing method and the use of techniques of computational intelligence for the interpretation of the sEMG signals, design of the robotic hand and control method used to control the positions of the fingers and the control of hand grip strength. Was used the wavelet packet as feature extraction method in electromyographic signals, and multi-layer neural network as pattern classification method. The proposed model obtained satisfactory results, thereby capturing 90.5% for recognizing positions of 6 different hand positions 5 to 94.3% and 96.25% for 4 positions.

Keywords

Surface electromyography, Patterns Classification, neural networks, Wavelet Transform, Robotic hand

 

DOWNLOAD PDF

 

‹ voltar para anais de eventos ABCM