Hackaday-Preis 2023: LASK4 beobachtet diese Fingerbewegungen

Was erhalten Sie, wenn Sie einen ESP32-S2, ein Modell für maschinelles Lernen, einige Hall-Effekt-Sensoren und ein Greifübungsspielzeug kombinieren? [Turfptax] hat genau das getan und LASK4 erstellt. Die vier Federn drücken Kolben mit winzigen Magneten nach unten. Hall-Effekt-Sensoren bestimmen die Position des Kolbens und da die Federn linear sind, kann der ESP32 auch die auf einen bestimmten Finger ausgeübte Kraft abschätzen. Diese Daten werden dann über TCP an einen nahegelegenen Computer gestreamt. Ein kleiner OLED-Bildschirm zeigt den Status an und ein aufgeräumtes 3D-gedrucktes Gehäuse sorgt für eine komfortable Verpackung.

Wofür ist es außer einem hervorragenden Musikinstrument gut? Erstens erzeugt es gut gekennzeichnete Trainingsdaten, wenn es mit den Daten des zuvor besprochenen Muskelsensorbands kombiniert wird. Das Muskelband misst verschiedene Drucksensoren radial um den Unterarm. Mit nur wenigen Minuten Trainingsdaten kann das System mithilfe des Random-Forest-Regressionsmodells Fingerbewegungen genau vorhersagen.

Wofür würden Sie es verwenden? Es gilt als somatosensorisches Gerät und kann daher für die Physiotherapie bei Handrehabilitationen eingesetzt werden, da es während der Sitzungen Feedback gibt. Oder es könnte verwendet werden, um einen Controller effizient zu trainieren.

Es ist ein spannendes Projekt auf GitHub unter einer OpenCERN-Hardwarelizenz. Der Code ist in MicroPython und die PCB- und STL-Dateien sind enthalten. Wir sind gespannt, was sonst noch aus dem Projekt herauskommt. Nach der Pause gibt es ein Fortschritts-Update-Video.