Development of an Intelligent Embedded Interface for Interpreting Biosignals Recorded by Novel Wearable Devices

• Main Author: Argüello Ron, Diego
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2019
• Subjects: Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-264992

In recent years there has been a considerable development in the realm of sensing technologies, embedded systems, wireless communication technologies, nanotechnologies, and miniaturization has made it possible to create smart wearable systems that can record data from the human bodies and monitor our daily activities. Most expectations for the successful deployment of wearable devices and their tangible impact for the society is in healthcare. Nevertheless, its use has been limited by the absence of intelligent mobile device interfaces able to process, analyse and inference the recorded data, giving relevant information to the user. On the other hand, new advances in nanotechnology have allowed the creation of so-called electronic skin, which consists in thin and flexible electrodes, easy and comfortable to use. This allows building new wearable devices able to record electrical activity from the surface of the body, which has a large diagnostic and monitoring potential. In this work, the goal is to study the feasibility of using these new sensors for continuous biopotential recording while supporting them with a mobile phone application able to receive, process and analyse the recorded biosignals in order to deliver useful feedback to the user in real-time. The wearable device known as Senso Medical Bio Pot V2 is proposed as a possible candidate to carry out electromyography (EMG), electrocardiography (ECG) and electroencephalography (EEG) recordings via skin tattoo electrodes. Moreover, an Android Application that connects to this device is created. It uses Machine Learning Algorithms embedded on it in order to classify the received signals. Finally, Long-Short Term Memory (LSTM) networks are implemented for classifying EEG and EMG signals. Several conclusions are derived from this work. Firstly, the device Senso Medical Bio Pot V2 is not suitable for its use as a wearable device for biosignal recording. Secondly, the Application designed and simulated offline achieves good performance. As a consequence, it could be used in the future with a suitable wearable sensor and offer good potential for processing and interpreting recorded biosignals with an opportunity to provide real-time feedback to the user in Brain-Computer Interface (BCI) type of applications. === Under de senaste åren har det varit en betydande utveckling inom kännetecknande teknik, inbyggda system, trådlös kommunikationsteknik, nanoteknik och miniatyrisering gjort det möjligt att skapa smarta bärbara system som kan spela in data från människokroppen och övervaka våra dagliga aktiviteter. Bärbar teknik är viktig på grund av dess inverkan på sjukvård. Ändå har användningen begränsats av avsaknaden av intelligenta gränssnitt för mobila enheter som kan bearbeta, analysera och avleda de inspelade data, vilket ger användaren viktig information. Å andra sidan har nya framsteg inom nanotekniken gjort det möjligt att skapa så kallad elektronisk hud, som består av tunna och flexibla elektroder, lätt och bekväm att använda. Detta gör det möjligt att bygga nya bärbara enheter som kan registrera elektrisk aktivitet från kroppens yta, vilket har en stor diagnostisk och övervaknings potential. I detta arbete är målet att studera möjligheten att använda dessa nya sensorer för kontinuerlig biopotentiell inspelning samtidigt som de stöder dem med en mobilapplikation som kan ta emot, bearbeta och analysera de inspelade biosignalerna för att ge användbar feedback till användaren i realtid. Den bärbara enheten Senso Medical Bio Pot V2 föreslås som en möjlig kandidat för att genomföra elektromyografi (EMG), elektrokardiografi (EKG) och elektroencefalografi (EEG) inspelningar via elektroniska tatueringar. Dessutom skapas en Android-applikation som ansluter till den här enheten. Den använder maskinlärningsalgoritmer inbäddade på den för att klassificera mottagna signaler. Slutligen implementeras Långt Korttidsminne Nätverk för att klassificera EEG och EMG signaler. Flera slutsatser härrör från detta arbete. För det första är enheten Senso Medical Bio Pot V2 inte lämplig för användningen som en bärbar anordning för biosignalinspelning. För det andra åstadkommer applikationen designad och simulerad offline, god prestanda. Till följd av detta kan den användas i framtiden med en lämplig bärbar sensor och erbjuda god potential för bearbetning och tolkning av inspelade biosignaler med möjlighet att ge realtid återkoppling till användaren i hjärndatorgränssnittet typ av applikationer.