การพัฒนาการควบคุมแขนกลด้วยความต้านทานทางไฟฟ้าของกล้ามเนื้อ

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.