TFM: Low-resource electronic system design for motion detection based on surface electromyography (SEMG)

Cortex-M0 and Cortex-M4 used for data processing in order to get gesture recognition, muscle’s force and activation time.

There are certain electronic devices that use surface electromyography signals for many purposes such as for muscle rehabilitation or to control a hand prosthetic, among others. But most of them use powerful microprocessors and external computers, making them expensive, and having a large power consumption.

    Therefore, these devices are only available for a narrow group of people when in reality a great amount of them are in need of them. They need to be fast, cheaper and have low power consumption. For those reasons, the elaboration of this project is encouraged.

The goal of this project is to design and implement a system that recognize different gestures and identifies them, calculates the muscle’s force, and detects the muscle’s activation time (when it goes from rest to being activated), through the implementation of low resources. This will have a positive impact on its cost, its power, and its autonomy.

Block diagram of the system

    C language has been used as the programming tool for this project due to the possibility of high-level programming. As for the hardware, microprocessors Cortex®-M4 and Cortex®-M0 have been used. The decision of implementing the program in both was to demonstrate that the same results can be achieved with both a more powerful processor and a less powerful one. Each microprocessor is integrated in a STM32 board, which also has a user button that by pressing it, it calibrates the system. So, anyone can obtain accurate results.

For this project, SEMG signals data was provided by the University of California at Berkeley. The data was taken from five different subjects wearing a bracelet with a 4×16 array of surface electrodes (64 channels). They performed 21 different hand gestures throughout many experiments involving resting position, different effort levels, and replacement of the surface electrodes.

4×16 array of electrodes

By reading the data and calculating a group set of features, it was possible to successfully achieve gesture recognition with the base subject, and through calibration with the rest of the subjects. It was also conceivable to measure the muscle’s force and detect its activation time.

Regarding the power consumption, the system implemented with the Cortex®-M4 microprocessor consumes about 90mA when active and the one with the Cortex®-M0 consumes about 83mA at 3.3V. Therefore, it has been proven that both systems are low power due to the use of low resources, but the M0 microprocessor consumes less. As for the time response of the program, it was measured the Cortex®-M4 takes 208.3 seconds total to read and process the data whereas the Cortex®-M0 takes 320.3 seconds.

For the proper creation of a complete system, a device was designed by integrating the data acquisition, the microprocessor, a transceiver for communication with other devices, the user’s interface (button), and its power supply.

TFG: Development of an Artificial Intelligent system based on low-resource Edge Computing for autonomous vehicles applications

Nowadays, there are plenty of IoT devices which make our everyday life easier thanks to their intelligent tasks: data capture, process automation… However, the increase of these devices is turning out to be somehow risky in terms of latency or bandwidth. That is the reason why some alternatives that may solve these problems are being searched, and one of them is Edge Computing technologies.

Edge Computing devices are those who are able to process the information captured without connecting to the network. Due to that, the latency and bandwidth issues that may occur can be significantly reduced, allowing the radio spectrum to decrease its saturation as well as improving the latency and consumption performance.

In this project, the main goal is to create a system that is able to develop and execute Artificial Intelligence algorithms designed for autonomous driving and assistance to the driver, always taking care of Edge Computing philosophy. In order to do that, we have used Google Coral, a hardware platform that perfectly adapts to our needs, allowing us to develop all the Edge Computing algorithms as well as offering appropriate consumption and processing characteristics.

Finally, we have tested our system in a real situation, evaluating the quality of the results as well as the resources used (latency, bandwidth…) and the advantages and disadvantages in relation to the existing technologies is this area. After these experiments, we have concluded that the quality of our Edge Computing system is enough to carry out the tasks it has been designed for. Also, all the resources used have been optimized in relation to Cloud Computing alternatives, turning this project into a faster, more effcient and economic alternative.

TFG: Análisis y diseño de un estimulador transcutáneo de pulsos eléctricos.

El dolor es algo que nos acompaña en nuestro día a día y puede deberse a causas muy diversas como golpes, malas posturas, lesiones… Normalmente se combate mediante fármacos o tratamiento fisioterapéutico, pero gracias al desarrollo del campo de la medicina y la electrónica surgen nuevas alternativas, como es el caso del TENS (Transcutaneous Electrical Nerve Stimulator), un generador de pulsos eléctricos que, mediante unos electrodos situados sobre la piel, envía unos estímulos no dolorosos que inhiben los estímulos dolorosos que se quieren eliminar.

backache

 

El objetivo de este Trabajo Fin de Grado consiste en desarrollar un TENS funcional mediante un microprocesador y un posterior circuito de amplificación, siendo posible seleccionar la frecuencia, intensidad, ancho de pulso y forma de onda del estímulo no doloroso.

La importancia de las interfaces y la representación

La mayoría de los trabajos que realizamos en el laboratorio terminan con la presentación de los resultados, ya sean a través de una demostración, un entregable o un artículo. En todos estos casos, la parte visible del trabajo es una interfaz gráfica que muestra los resultados o una imagen. La mayoría de las veces no se da importancia a este desarrollo pero nos puede ayudar mucho a ahorrar tiempo en pruebas, mejorar la imagen de nuestro propio trabajo y conseguir mejores resultados.

En el laboratorio estamos usando algunas herramientas que nos permiten mejorar nuestra presentación de resultados y hoy os enseñamos algunas de ellas:

Microsoft Visual Studio

Se trata de una herramienta muy potente para desarrollar interfaces de usuario en muy poco tiempo. En el laboratorio estamos desarrollando una interfaz para la lectura de sensores que está siendo muy útil para distintas tareas.

Gnuplot

Esta herramienta multiplataforma para la creación de imágenes. Cuenta con una amplia librería de comandos y opciones para representar datos en distintos tipos de gráficas. Podemos pintar desde sencillas imágenes de lineas o barras, hasta complejas imágenes de planos 3D.

Battery management: añadiendo baterías a los prototipos

Muchos de los prototipos que se realizan en este laboratorio (y fuera de él) requieren de una alimentación propia, por lo que suelen emplear baterías. Actualmente, dada su alta densidad de energía, las más empleadas son las baterías de litio. Sin embargo, estas baterías requieren circuitos específicos para recargarla y para garantizar la seguridad en su funcionamiento.

La mayor parte de baterías suelen ser de química LiCoO2, las cuales son compatibles con la mayoría de circuitos integrados. Estas baterías suelen tener un voltaje nominal de 3,7 V, que sube hasta 4,2 V cuando está completamente cargada. En algunos dispositivos (como teléfonos, tablets, etc.) se emplean baterías que terminan la carga a los 4,3-4,35 V, con tensión nominal de 3,8 V. Se ha de comprobar que se elige la electrónica para la tensión de carga adecuada.

Existe un tipo menos común de baterías de Litio, las de química LiFePO4, que tienen una curva de tensión de descarga mucho más plana, y son usadas en algunas aplicaciones en las que esta característica es importante. Requieren de electrónica de control y carga específica.

En este post se comentan las protecciones básicas que se incluyen en las baterías. En sucesivos posts, se comentará el uso de cargadores, medidores de carga y algún caso práctico de cómo se ha implementado la alimentación en sistemas concretos.

Protección básica

Las baterías de litio son muy sensibles a las sobrecargas, sobredescargas, sobrecorrientes y cortocircuitos, pudiendo incendiarse de forma peligrosa en casos extremos. Por ello, y sobre todo en el diseño de prototipos, es imprescindible que integren protecciones para estas situaciones.

Típicamente, esta protección se realiza mediante un pequeño integrado que monitoriza el voltaje en la batería y actúa sobre dos transistores MOSFET para controlar la corriente entrante (durante la carga) y saliente (durante la descarga), pudiendo interrumpirla en caso de darse unas condiciones incorrectas.

Battery protection schematic
Esquema protección batería.

Dado que esta protección se implementa en todos los sistemas, muchas de las baterías sueltas que se pueden adquirir integran esta protección básica en una plaquita soldada en los terminales de la batería. Esto es muy conveniente ya que, si estuviera situada en la placa del propio prototipo, sería menos fiable al estar expuesto a problemas de soldadura, cortos o rotura de cables.

Batería con placa de protección.
Batería con placa de protección.

A la hora de elegir una batería, por simplicidad y fiabilidad, conviene elegir una que disponga de estas protecciones. Esto se puede ver en las características, donde se suelen especificar los parámetros de esta protección (además de los límites de funcionamiento de la batería). Un ejemplo de características el siguiente:

 

Parámetro Significado Explicación
Standard Capacity:2200 mah Capacidad nominal
Standard Voltage: 3.7 V Voltage nominal
Charge cut-off voltage: 4.20 ±0.03V Corte de corriente por sobrecarga. Punto en el cual el chip de protección corta la entrada de corriente.
Discharge cut-off voltage: 2.75V Corte de corriente por sobredescarga. Punto en el cual el chip de protección corta la salida de corriente.
Charge current: standard 0.2 C and maximum 1C Corriente nominal y máxima de carga. Dado que C=2200 mAh, la corriente de carga estándar es 440 mA y la máxima 2200 mA
Standard discharge current: 0.2C Corriente de descarga nominal. A esta corriente de descarga, la capacidad efectiva debería ser la nominal.
Maximum discharge current: 2.0C Máxima corriente de descarga. Máxima corriente a la que se puede descargar la batería.

En este caso, nos indica que durante la carga no se deben superar los 4,2 V, ni bajar por debajo de los 2,75 V en la descarga. Típicamente este corte de descarga es útil para que el prototipo se apague. Sin embargo, suele ser mejor monitorizar el voltaje y apagar el prototipo de forma ordenada antes de este límite o cuando la tensión cae por debajo del mínimo necesario para el funcionamiento del prototipo.

Por otro lado, en muchos sistemas se monitoriza la temperatura de la batería. Esto se suele realizar mediante una resistencia NTC que está integrada en la célula de la batería y se denota porque el conector tiene tres cables, hallándose la NTC conectada entre el central y masa. Si la batería no la integra, puede usarse una NTC con cable y colocarla pegada a la batería.

NTC con cable.
NTC con cable.

Si se trata de un prototipo y no se va a cargar o descargar la batería a tasas muy elevadas, el calentamiento suele ser despreciable y no es necesario incluir este sensor de temperatura. En cambio, en productos finales o en sistemas que pueden estar expuestos a temperaturas extremas (fuera de unos 5 a 35 ºC aprox.), es necesario incluirlo para modular o impedir la carga en función de la temperatura.

 

Imagen de cabecera | Adafruit

Becas cátedra bq Febrero 2014

Dentro de las actividades de la cátedra bq se contempla el establecimiento de un programa de becas en áreas de interés para la empresa y que complementen el proceso formativo de los estudiantes.

Por lo tanto, se lanza esta convocatoria de becas para el presente curso académico.

Fecha de inicio de las becas: preferiblemente el 7 de Marzo de 2014

Fecha límite de recepción de CV: 28 de Febrero de 2014

 

Posibilidad de realizar el Proyecto Fin de Carrera, Trabajo Fin de Máster, Proyecto Fin de Grado y prácticas en empresas.

 Interesados enviar un correo electrónico con el Curriculum Vitae indicando en el asunto [Becas cátedra bq] a las siguientes personas:

Silvia Rodríguez Jiménez:  silvia.jimenez@bqreaders.com

Alvaro Araujo: araujo@die.upm.es

bq-catedra-logo

Oferta de Becas Febrero 2014

Security in cognitive wireless sensor networks. Challenges and open problems

Title: Security in cognitive wireless sensor networks. Challenges and open problems
Authors: Alvaro Araujo, Javier Blesa, Elena Romero and Daniel Villanueva
Published in: EURASIP Journal on Wireless Communications and Networking,
ISSN : 1687- 1499
Date of Publication: February 2012
Digital Object Identifier : 10.1186/1687-1499-2012-48
Web: http://jwcn.eurasipjournals.com/content/2012/1/48

A cognitive wireless sensor network (CWSN) is an emerging technology with great potential to avoid traditional wireless problems such as reliability. One of the major challenges CWSNs face today is security. A CWSN is a special network which has many constraints compared to a traditional wireless network and many different features compared to a traditional wireless sensor network. While security challenges have been widely tackled in traditional networks, this is a novel area in CWSNs. This article discusses a wide variety of attacks on CWSNs, their taxonomy and different security measures available to handle the attacks. Also, future challenges to be faced are proposed.

imagen_taxonomy