MODELLEREN, MAKEN EN METEN

BIO-ELEKTRICITEIT
Groep B: Reinout Beirnaert – Lucie Decalf – Joran Segers – Andreas Van Ranst 20/12/2022
INHOUD
I. De bio-elektrische signalen II. De robotauto
• Intro • Constructie
• ECG • Methodiek (I & II)
• EMG • Uitvoering (I & II)
• EOG • Resultaten

2
DE BIO-ELEKTRISCHE SIGNALEN
 Elektrisch verschijnsel
• Opgewekt door cellen
 Verschillende types
• Elektrocardiogram (ECG)
• Elektromyogram (EMG)💪
• Elektrooculogram (EOG)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 3

DE BIO-ELEKTRISCHE SIGNALEN
 Opmeting signalen
• Arduino Uno
• Sparkfun heartratemonitor
• Elektroden
• Computer met Arduino

Figuur 1: Opstelling Arduino Uno en

heartratemonitor [1]
Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 4
ECG
 Elektrische activiteit van het hart
• Hartritme en hartslag
 Golfvormen
• P-golf
• QRS-Complex
• T-golf

Figuur 2: Het hartfilmpje

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 5

 ECG: VERWERKING
 Smoothing
• Ruis wegfilteren via lopend gemiddelde
• Hangt af van N
Spanning (mV) Spanning (mV)

N=3 Tijd (ms) N=100 Tijd (ms)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 6

 ECG: VERWERKING
 BPM bepalen
• Grenswaarde op y-as
• Voor 15 seconden
Spanning (mV)

Tijd (ms)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 7

EMG
 Elektrische activiteit skeletspieren
• Opspannen spier in onderarm

Opstelling EMG Spanning in kleine spier onderarm

Spanning
(mV)
50
0

-50

-100
3235 3335 3435 3535 Tijd (ms)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 8

EMG: VERWERKING
 Baseline
• Lopend gemiddelde (cfr. smoothing)
Spanning (mV)

50

Baseline 0

-50

Tijd (ms)
3235 3335 3435 3535

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 9

EMG: VERWERKING
 Energie van het signaal
• Parseval
Energie (J)

300000

200000

100000
Tijd (ms)
0
33722 33822 33922 34022 34122

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 10

 EMG: VERWERKING
 Energie van het signaal

Energie grote spier Energie kleine spier

Energie
Energie (J)
(J)
180000
300000
120000
200000

60000
100000
Tijd (ms)
Tijd (ms)
0
0
4204 4304 4404 4504 4604
33722 33822 33922 34022 34122

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 11

EOG
 Elektrooculogram
 Signaal oog
 Oog = dipool
 Verandering t.o.v. rustpositie

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 12

EOG: OPMETING
Horizontaal Verticaal

 Links kijken  Boven kijken

 Rechts kijken  Beneden kijken
 Knipoog  Knipperen

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 13

 EOG: SIGNAAL
Links kijken Slingerbeweging
Spanning
Spanning
(mV)
(mV)

400 400

320 320

240 240

160 160
32999 33099 33199 33299 33399 Tijd (ms) 96235 96335 96435 Tijd (ms)
96535 96635

Terug midden kijken

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 14

 EOG: SIGNAAL
Links Knipoog
Spanning (mV) Geknipper Spanning
(mV)

375 500

350 350

200
325

300 50
12601 12701 12901 13001 Tijd (ms) 6138 Tijd (ms)
12801 6238 6338 6438 6538

Rechts
Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 15
ROBOTAUTO

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 16

ROBOTAUTO
Via één soort bio-
DOEL: elektrisch signaal
ROBOTAUTO
BESTUREN
❤️💪

Testfase Trial and error

Interpreteren en idee
🚗 uitwerken in Arduino

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 17

CONSTRUCTIE
Eindresultaat
DC-motor

H-brug Batterijen

Hartritme
monitor
Arduino Uno

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 18

METHODIEK EOG
 Werken met EOG
• Horizontale opstelling
 Waarom?

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 19

METHODIEK
 Opmerking: knipperen
Links knipperen tegen Rechts knipperen
Spanning
(mV)

500

350

200

50

6138 6238 6338 6438 6538 Tijd (ms)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 20

METHODIEK (FASE I)
 Idee
Spanning
Variabele Up en Down: (mV)​
150

• Up = # grafiek boven
grenswaarde (oranje)
0

• Down = # grafiek
-150
onder grenswaarde
(groen)

115001 115101 115201 115031 Tijd (ms)

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 21

UITVOERING (FASE I)
 Idee
Variabele Up en Down:

• Beweging koppelen
aan toestand
Up is even Up is oneven
Down is even Achteruit Rechts
Down is oneven Links Vooruit

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 22

UITVOERING (FASE I)
 Hindernissen
• Arduino
• Te ingewikkeld
 Testfase
• Teleurstellende resultaten
 Idee aanpassen

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 23

METHODIEK (FASE II)
 Vereenvoudiging
• EOG

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​

METHODIEK (FASE II)
 Vereenvoudiging
• EOG
Links knipperen Rechts knipperen

Vooruit rijden Draaien naar rechts

Links knipperen Rechts knipperen

Stilstaan Stilstaan

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​

UITVOERING (FASE II)
 Eenvoudiger
 Links en rechts onafhankelijk van elkaar
 Grenswaarden telkens opnieuw instellen
• Positie elektroden
• Andere bestuurder
•…
 Links draaien  270° naar rechts draaien

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​

RESULTATEN
 Robotauto: Aansturingsprotocol

• Vooruit rijden Knipoog 1 keer 2 keer

e e

• Wijzerzin draaien Stopt met

Links Vooruit rijden
Start met Stopt met
Rechts draaien draaien
 Besturing door knipoog

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 27

RESULTATEN
 Race:
• Sprint: 1e plaats
• Slalom
• Hindernis
 Zelfreflectie:
• Eenvoud
• Moeilijk controleerbaar

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 28

29
REFERENTIES
̶ [1] s.n., s.d. Connection Diagram [Afbeelding]. Geraadpleegd op 12 november 2022 via
https://learn.sparkfun.com/tutorials/ad8232-heartrate-monitor-hookup-guide?_ga=2.36870179.2011382573.1635421540-1520267359.1634824450#re
̶ Sengur A, Akbulut Y, Guo Y, Bajaj V. Classification of amyotrophic lateral sclerosis disease based on convolutional neural network and reinforcement sample learning algorithm.
̶ TripaK., & Salini, B. (2022). Best Disease. In StatPearls. StatPearls Publishing.

̶ Bakiya, A., Anitha, A., Sridevi, T., Kamalanand, K., Classification of Myopathy and Amyotrophic Lateral Sclerosis Electromyograms Using Bat Algorithm and Deep Neural Networks, 4 April 2022.
̶ Hu, X., Wang, Z. Z., & Ren, X. M. (2005). Classification of surface EMG signal with fractal dimension. Journal of Zhejiang University. Science. B, 6(8), 844–848.
https://doi.org/10.1631/jzus.2005.B0844
̶ Zhao Lv, Xiao-Pei Wu, Mi Li, Dexiang Zhang, 29 december 2009, A novel eye movement detection algorithm for EOG driven human computer interface. [Afbeelding]. Geraadpleegd via
https://www.sciencedirect.com/science/article/abs/pii/S0167865509003596
̶ Creel D. J. (2019). The electrooculogram. Handbook of clinical neurology, 160, 495–499. https://doi.org/10.1016/B978-0-444-64032-1.00033-3
̶ www.rdsm.be
̶ hartlongcentrum.nl
̶ hartstichting.nl
̶ ecgedu.com
̶ nhs.uk
̶ pediatricheartspecialists.com
̶ litfl.com
̶ ecgpedia.org
̶ cma-science.nl
̶ https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8346990/#:~:text=A%20bioelectrical%20signal%20is%20in,current%2C%20either%20neural%20or%20external
̶ https://www.nrc.nl/nieuws/2022/12/12/tesla-rijders-willen-geld-terug-voor-falen-zelfrijdende-optie-die-musk-al-zes-jaar-belooft-a4151246

Reinout Beirnaert, Lucie Decalf, Joran Segers, Andreas Van Ranst​ 30