ANALYSIS AND CLASSIFICATION OF MOTOR PRIMITIVES FROM DIFFERENT LOCOMOTIONS FOR ROBOTIC EXOSKELETON CONTROL

Lower limb Exoskeletons (EXO) have been demonstrated to be effective tools for enhancing or assisting individuals in their daily activities, and even enabling people with motor impairments to regain their ability to walk. Nevertheless, these wearable devices are not yet suitable for daily use, owing to limitations in their hardware and the challenges of developing a reliable human-machine interface capable of accurately capturing the user’s motion intention. This project aimed to develop a reliant machine learning system based on motor primitives of surface electromyographic (sEMG) signals able to recognize the user’s intention of movement for the control of a lower limb exoskeleton. The system was designed using previously collected sEMG signals from a dataset of forty healthy subjects for the extraction of the motor primitives. The extraction of temporal motor primitives was performed using the Fourier Anechoic Demixing Matrix (FADA) factorization algorithm. The results obtained from the factorization step were validated using different classification strategies. Specifically, the weights produced from the factorization were used as features, and at the optimal iteration the classifier achieved an overall accuracy of 92.07% during offline testing. The second step was to evaluate the system in a pseudo-online approach, considering only the temporal evolution of the motor primitives at the beginning of the step cycle. The results indicated that at 50% of the total gait cycle, the system achieves an overall accuracy of 74.42%. This study has demonstrated that motor primitives can be effectively adopted as features to identify a user’s motion intention, even with a limited number of muscles. Thus, this research aims to make a scientific contribution to the bioengineering field, providing valuable insight for the future development of wearable devices.

Negli ultimi decenni si è dimostrato che gli esoscheletri di arti inferiori possono essere utilizzati come strumenti efficaci per migliorare o assistere le persone nelle loro attività quotidiane e persino consentire a persone con disabilità motorie di riacquistare la capacità di camminare. Tuttavia, questi dispositivi robotici indossabili a causa di limitazioni nel loro hardware e delle sfide nello sviluppo di un’interfaccia uomo-macchina affidabile non sono ancora in grado di catturare accuratamente l'intenzione di movimento dell'utente nell’uso quotidiano. Questo progetto mira a sviluppare un sistema di apprendimento automatico basato su primitive motorie di segnali elettromiografici di superficie (sEMG), in grado di riconoscere l'intenzione di movimento dell'utente per il controllo di un esoscheletro di arti inferiori. Il sistema è stato progettato utilizzando segnali sEMG precedentemente raccolti in un dataset di quaranta soggetti sani per l'estrazione delle primitive motorie. L'estrazione delle primitive motorie temporali è stata eseguita utilizzando l'algoritmo di fattorizzazione Fourier Anechoic Demixing Matrix (FADA). I risultati ottenuti dalla fase di fattorizzazione sono stati validati utilizzando diverse strategie di classificazione. In particolare, i pesi prodotti dalla fattorizzazione sono stati utilizzati come caratteristiche e alla migliore iterazione il classificatore ha raggiunto un'accuratezza complessiva del 92,07% durante i test offline. Il secondo passo è stato quello di valutare il sistema in un approccio pseudo-online considerando solo l'evoluzione temporale delle primitive motorie all'inizio del ciclo del passo. I risultati hanno indicato che nel 50% del ciclo totale del passo il sistema raggiunge un'accuratezza complessiva del 74,42%. Questo studio ha dimostrato che le primitive motorie possono essere efficacemente adottate come caratteristiche per identificare l'intenzione di movimento di un utente utilizzando un numero limitato di muscoli. Pertanto, questa ricerca mira a fornire un contributo scientifico al campo della bioingegneria fornendo preziose intuizioni per lo sviluppo futuro di dispositivi indossabili.