Entwicklung eines Multisensorsystems zur optischen Erkennung muskulärer Aktivität im Unterarm

Abstract

Herkömmliche Elektromyographie-Verfahren zur Muskelaktivitätsmessung sind durch Klebeelektroden und elektrische Störanfälligkeit eingeschränkt. Die vorliegende Bachelorarbeit ist der Entwicklung eines nicht-invasiven Optomyographie-Systems zur optischen Erfassung von Unterarm-Muskelaktivität mittels acht handelsüblichen Photoplethysmographie-Sensoren und einem Raspberry Pi Pico gewidmet. Das System nutzt die Reflexionseigenschaften von rotem und infrarotem Licht an der Haut zur Detektion gewebebedingter Veränderungen bei Muskelkontraktionen. Durch CNN-basierte Live-Gestenerkennung werden sechs verschiedene Handgelenkgesten mit einer Genauigkeit von 99,56% unter kontrollierten Testbedingungen bei acht Probanden klassifiziert. Diese Arbeit zeigt, dass Optomyographie mit Einschränkungen als eine praktikable Alternative zur Elektromyographie-Methode umsetzbar ist. Das System trägt somit zur Forschung im Bereich von Prothesen-Steuerung und HCI-Anwendungen bei.

Conventional electromyography methods for measuring muscle activity are limited by adhesive electrodes and susceptibility to electrical interference. This work is dedicated to the development of a non-invasive optomyography system for optical detection of forearm muscle activity using eight commercial photoplethysmography sensors and a Raspberry Pi Pico. The system utilizes the reflection properties of red and infrared light on the skin to detect tissue-related changes during muscle contractions. Through CNN-based live gesture recognition, six different wrist gestures are classified with an accuracy of 99.56% under controlled test conditions with eight subjects. This work demonstrates that optomyography can be implemented as a viable alternative to electromyography methods, albeit with certain limitations. The system thus contributes to research in the field of prosthetic control and HCI applications.