Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
Il controllo di mani protesiche basato su elettromiografia (EMG) ha le potenzialità di ristabilire funzioni motorie ai pazienti che hanno subito un’amputazione, migliorando sensibilimente la qualità della vita. Tuttavia rimangono problemi aperti nell’ottenere un controllo ricco di movimenti e stabile, fra cui la presenza del limb position effect.
La tesi si concentra nel cercare di ridurre questa causa di instabilità, proponendo una versione modificata dell’algoritmo Ridge Regression with Random Fourier Features, reso incrementale e arricchito di feedback all’utente. Questo approccio viene poi validato tramite un esperimento su 12 soggetti intatti, per verificare l’incremento di performance, e tramite un ulteriore studio pilota su un soggetto amputato, a seguito dell’adattamento del software ad una mano protesica in via di sviluppo.
Abstract
Il controllo di mani protesiche basato su elettromiografia (EMG) ha le potenzialità di ristabilire funzioni motorie ai pazienti che hanno subito un’amputazione, migliorando sensibilimente la qualità della vita. Tuttavia rimangono problemi aperti nell’ottenere un controllo ricco di movimenti e stabile, fra cui la presenza del limb position effect.
La tesi si concentra nel cercare di ridurre questa causa di instabilità, proponendo una versione modificata dell’algoritmo Ridge Regression with Random Fourier Features, reso incrementale e arricchito di feedback all’utente. Questo approccio viene poi validato tramite un esperimento su 12 soggetti intatti, per verificare l’incremento di performance, e tramite un ulteriore studio pilota su un soggetto amputato, a seguito dell’adattamento del software ad una mano protesica in via di sviluppo.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Brusamento, Donato
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
machine learning,prosthetics,human in-the-loop,human experiment,random fourier features,ridge regression
Data di discussione della Tesi
19 Dicembre 2019
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Brusamento, Donato
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
machine learning,prosthetics,human in-the-loop,human experiment,random fourier features,ridge regression
Data di discussione della Tesi
19 Dicembre 2019
URI
Gestione del documento: