Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/10285
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorมานะ ศรียุทธศักดิ์-
dc.contributor.authorกัมพล วิเชียรโหตุ-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย-
dc.date.accessioned2009-08-19T08:46:05Z-
dc.date.available2009-08-19T08:46:05Z-
dc.date.issued2541-
dc.identifier.isbn9743318402-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/10285-
dc.descriptionวิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2541en
dc.description.abstractงานวิจัยนี้ได้นำเสนอการประดิษฐ์รถเข็นที่มีการควบคุมด้วยสัญญาณกล้ามเนื้อ ซึ่งประกอบด้วยส่วนประกอบสำคัญ 3 ส่วนคือ 1. วงจรวัดสัญญาณกล้ามเนื้อ 2. ระบบแยกแยะสัญญาณกล้ามเนื้อ และ 3. รถเข็นพร้อมระบบควบคุมการเคลื่อนที่ ซึ่งสามารถสรุปสาระสำคัญได้ดังต่อไปนี้ ในส่วนของวงจรวัดสัญญาณกล้ามเนื้อนั้น ออกแบบให้สามารถวัดสัญญาณในช่วงความถี่ 5-200 Hz โดยมีอันตรายขยายเท่ากับ 8400 เท่า และมีนอตช์ฟิลเตอร์สำหรับตัดสัญญาณรบกวน 50 Hz ในการวัดสัญญาณได้ใช้อิเล็กโทรดแบบผิวสัมผัส 1 ช่องสัญญาณ ทำการวัดที่ตำแหน่งไบเซ็ปส์ ในส่วนของระบบแยกแยะสัญญาณกล้ามเนื้อนั้น ได้ใช้บอร์ด DSK-TMS320C50 ทำการเก็บสัญญาณกล้ามเนื้อส่งไปเก็บบนคอมพิวเตอร์ โดยทำการสุ่มเก็บด้วยอัตราสุ่ม 4000 จุดข้อมูลต่อวินาที จากนั้นจึงนำข้อมูลที่ได้มาทำการหาตัวแทนของสัญญาณ โดยใช้วิธีผลการแปลงฟูริเยร์อย่างเร็ว และตัวกรองดิจิตอลแบบ FIR โดยได้แบ่งสัญญาณในเชิงความถี่ออกเป็น 7 ย่านความถี่ แล้วจึงนำเอาผลรวมของขนาดของสัญญาณในแต่ละย่านความถี่มาเป็นตัวแทนสัญญาณเพื่อนำไปทำการวิเคราะห์โดยใช้ระบบเครือข่ายประสาทแบบเคลื่อนกลับ ซึ่งมีอินพุต 7 โหนด ชั้นซ่อน 50 โหนดชั้นเอาต์พุตเป็น 3 โหนด โดยใช้ฟังก์ชันถ่ายโอนเป็น hardlimit ระบบสามารถแยกแยะอิริยาบท 3 อิริยาบท (อิริยาบถปกติ, เกร็งท่อนแขน, ยกของหนัก) ได้ด้วยความถูกต้องประมาณ 78% ในส่วนของรถเข็น และระบบควบคุมนั้น ได้ประดิษฐ์รถเข็นไฟฟ้าซึ่งทำการขับเคลื่อนด้วยมอเตอร์ไฟตรง 2 ตัว ในการควบคุมทิศทางนั้น จะนำเอาผลการแยกแยะสัญญาณกล้ามเนื้อที่ได้มาทำการควบคุมรีเลย์ที่ต่อเชื่อมกับมอเตอร์โดยให้มีความสามารถในการเคลื่อนที่ 5 ลักษณะคือ หยุด, เดินหน้า, ถอยหลัง, เลี้ยวซ้าย, เลี้ยวขวา จากการทดลองการใช้งานจริงพบว่า อิริยาบถแบบปกติสามารถแยกแยะได้สูงประมาณ 90% ส่วนแบบถือของหนัก 4 kg แยกแยะได้ประมาณ 80% แบบเกร็งแขนประมาณ 50% ในการใช้งานแรกๆ เป็นไปด้วยความลำบาก คือระบบยังแยกแยะได้ไม่ดี แต่เมื่อเริ่มฝึกไปสักพัก ก็จะเริ่มรู้ว่าควรจะเกร็งแขนแบบไหนถึงจะถูก และมีความสามารถในการแยกแยะสูงขึ้นen
dc.description.abstractalternativeThis thesis presents a construction of a wheel chair which is controlled by electromyography signa (EMG). It is composed of 3 main parts 1. EMG measuring circuit 2. EMG discrimination system 3. wheel chair and control system. In the part of measuring circuit, it was designed in order to measure signal in 5-2000 Hz band frequency with a gain of 8400 and notch filter for removing 50 Hz noise. 1-channel EMG surfaced electrode was used in the measurement at biceps position. In the part of EMG discrimination system, DSK (TMS320C50) was applied to collect EMG signal at sampled rate of 4000 Hz and stored in the PC. Those signals were transferred from time domain to frequency domain using fast fourier transform and FIR digital filter, then they were separated to 7 frequency bands and the summation in each band was used in feature extration process. Neural network was selected to discriminate the signals. It composed of 7 input nodes (feature selection), 50 hidden layer nodes, 3 output (normal, strength arm, lift a thing) with accuracy of 78%. In the part of wheel chair and its control system, two dc motors were used for driving the wheel chair. In order to control the movement, the result of EMG discrimination was applied to control relay switches, which were connected to the motors. The wheel chair can be driven to move in 5 directions such as forward, backward, turn left, turn right and stop. The completed system was tested and found that the system could discriminate normal, lift a thing action, strength arm action with accuracy of 90%, 80% and 50%, respectively. In the early state of using, it still has some problem in recognition. But after practice for a while the recognition rate became better and easy to control.en
dc.format.extent1060777 bytes-
dc.format.extent974284 bytes-
dc.format.extent1109062 bytes-
dc.format.extent966748 bytes-
dc.format.extent1237689 bytes-
dc.format.extent1478073 bytes-
dc.format.extent823874 bytes-
dc.format.extent785969 bytes-
dc.format.extent1388788 bytes-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.language.isothes
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen
dc.subjectสัญญาณกล้ามเนื้อen
dc.subjectอิเล็กโตรไมโอกราฟีen
dc.subjectรถเข็นคนพิการen
dc.subjectคนพิการen
dc.titleการแยกแยะสัญญาณกล้ามเนื้อเพื่อการควบคุมรถเข็นen
dc.title.alternativeEMG signal discrimination for control of a wheel chairen
dc.typeThesises
dc.degree.nameวิศวกรรมศาสตรมหาบัณฑิตes
dc.degree.levelปริญญาโทes
dc.degree.disciplineวิศวกรรมไฟฟ้าes
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัยen
dc.email.advisorMana.S@Chula.ac.th-
Appears in Collections:Grad - Theses

Files in This Item:
File Description SizeFormat 
Kampol_Vi_front.pdf1.04 MBAdobe PDFView/Open
Kampol_Vi_ch1.pdf951.45 kBAdobe PDFView/Open
Kampol_Vi_ch2.pdf1.08 MBAdobe PDFView/Open
Kampol_Vi_ch3.pdf944.09 kBAdobe PDFView/Open
Kampol_Vi_ch4.pdf1.21 MBAdobe PDFView/Open
Kampol_Vi_ch5.pdf1.44 MBAdobe PDFView/Open
Kampol_Vi_ch6.pdf804.56 kBAdobe PDFView/Open
Kampol_Vi_ch7.pdf767.55 kBAdobe PDFView/Open
Kampol_Vi_back.pdf1.36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.