Publication: การพัฒนาการควบคุมแขนกลด้วยความต้านทานทางไฟฟ้าของกล้ามเนื้อ
0
0
Issued Date
2025
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
127
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
ศุณพัฒษ์ ร่างใหญ่, พรหมพร พูลทรัพย์, ภัทรกร หลีตึ๊ง (2025). การพัฒนาการควบคุมแขนกลด้วยความต้านทานทางไฟฟ้าของกล้ามเนื้อ. สืบค้นจาก: https://hdl.handle.net/20.500.14740/56116
Alternative Title(s)
DEVELOPMENT OF ROBOT ARM CONTROL WITH BIOIMPEDANCE
Author(s)
Advisor(s)
Abstract
โครงงานวิศวกรรมนี้มีวัตถุประสงค์เพื่อศึกษาการใช้สัญญาณความต้านทานทางไฟฟ้าของ
กล้ามเนื้อ หรือ Bioimpedance สาหรับทานายมุมการเคลื่อนไหวของแขน และนาไปประยุกต์ใช้ในการ
ควบคุมแขนกล การทดลองวัดสัญญาณ Bioimpedance ร่วมกับมุมการเคลื่อนไหวจากเซ็นเซอร์ IMU
ขณะผู้เข้าร่วมทดลองท าท่า Elbow Flexion–Extension และ Forearm Supination–Pronation
ภายใต้ระดับภาระของกล้ามเนื้อที่กาหนด ข้อมูล Bioimpedance ถูกนามาคานวณค่าการเปลี่ยนแปลง
ของสัญญาณ เช่น ΔEI และสกัดคุณลักษณะของสัญญาณเพื่อใช้วิเคราะห์ความสัมพันธ์กับระดับภาระ
รวมถึงใช้เป็นข้อมูลนาเข้าสาหรับแบบจาลอง Long Short-Term Memory (LSTM)
ผลการทดลองพบว่าสัญญาณ Bioimpedance มีแนวโน้มเปลี่ยนแปลงสอดคล้องกับลักษณะการ
เคลื่อนไหวของแขน แต่มีความแตกต่างระหว่างผู้เข้าร่วมทดลอง ซึ่งอาจเกิดจากลักษณะทางสรีรวิทยา
ตาแหน่งอิเล็กโทรด และความสม่าเสมอของการเคลื่อนไหว แบบจาลอง LSTM แบบรวมสามารถจาแนก
ท่าทางการเคลื่อนไหวได้ถูกต้อง 90.74% และทานายมุมการเคลื่อนไหวโดยมีค่า MAE เท่ากับ 15.94
องศาในท่า Elbow Flexion–Extension และ 15.94 องศาในท่า Forearm Supination–Pronation
นอกจากนี้ การตรวจสอบแขนกลพบว่าเซอร์โวมอเตอร์สามารถเคลื่อนไหวตามคาสั่งมุมได้ โดยเซอร์โว
มอเตอร์ตัวที่ 4 และ 5 มีค่า MAE เท่ากับ 1.411±0.375 องศา และ 1.274±0.033 องศา ตามลาดับ ผล
การศึกษานี้แสดงให้เห็นว่าสัญญาณ Bioimpedance มีศักยภาพในการใช้เป็นข้อมูลสาหรับทานายมุมการ
เคลื่อนไหวและควบคุมแขนกลระดับต้นแบบ
This engineering project aimed to investigate the use of muscle bioimpedance signals for predicting arm movement angles and applying the predicted angles to robot arm control. Bioimpedance signals were measured together with joint angle data from an Inertial Measurement Unit (IMU) while participants performed elbow flexion–extension and forearm supination–pronation under different muscle load levels. The bioimpedance data were processed to calculate signal changes, such as ΔEI and relevant features were extracted for load relationship analysis and as input data for a Long Short-Term Memory (LSTM) model. The results showed that the bioimpedance signals changed according to the arm movement patterns, although variations among participants were observed due to physiological differences, electrode placement, and movement consistency. The combined LSTM model achieved a motion classification accuracy of 90.74%. For angle prediction, the MAE values were 1 5 . 9 4 degrees for elbow flexion–extension and 1 3 . 8 1 degrees for forearm supination–pronation. Robot arm verification showed that the servomotors could respond to commanded angles, with MAE values of 1.411±0.375 degrees for servomotor 4 and 1.274±0.033 degrees for servomotor 5. These results suggest that bioimpedance signals have potential for movement angle prediction and prototype robot arm control.
This engineering project aimed to investigate the use of muscle bioimpedance signals for predicting arm movement angles and applying the predicted angles to robot arm control. Bioimpedance signals were measured together with joint angle data from an Inertial Measurement Unit (IMU) while participants performed elbow flexion–extension and forearm supination–pronation under different muscle load levels. The bioimpedance data were processed to calculate signal changes, such as ΔEI and relevant features were extracted for load relationship analysis and as input data for a Long Short-Term Memory (LSTM) model. The results showed that the bioimpedance signals changed according to the arm movement patterns, although variations among participants were observed due to physiological differences, electrode placement, and movement consistency. The combined LSTM model achieved a motion classification accuracy of 90.74%. For angle prediction, the MAE values were 1 5 . 9 4 degrees for elbow flexion–extension and 1 3 . 8 1 degrees for forearm supination–pronation. Robot arm verification showed that the servomotors could respond to commanded angles, with MAE values of 1.411±0.375 degrees for servomotor 4 and 1.274±0.033 degrees for servomotor 5. These results suggest that bioimpedance signals have potential for movement angle prediction and prototype robot arm control.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2568