| Περίληψη: | Τα τελευταία χρόνια έχει αναπτυχθεί στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων, με τεχνικές Deep Learning. Σε αυτή τη διπλωματική εργασία παρουσιάζεται η διαδικασία σχεδίασης επίσης αρχιτεκτονικής συνελικτικού νευρωνικού δικτύου, με σκοπό την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων. Για το σκοπό αυτό αξιοποιήθηκε η πολύ διαδεδομένη βάση δεδομένων Ninapro, η οποία περιέχει καταγραφές ηλεκτρομυϊκών σημάτων από 52 διαφορετικές κινήσεις του χεριού. Στη συνέχεια, θέλοντας να συνεισφέρουμε στην προσπάθεια συλλογής περισσότερων ηλεκτρομυϊκών σημάτων, το οποίο αποτελεί καθοριστικό παράγοντα για την απόδοση του Deep Learning, αναπτύξαμε τη δική επίσης βάση δεδομένων επιφανειακών ηλεκτρομυϊκών σημάτων, τη MyoUP. Για επίσης καταγραφές χρησιμοποιήθηκε η εύχρηστη συσκευή Myo Armband. Στο παρόν σύγγραμμα παρουσιάζεται όχι μόνο η διαδικασία ανάπτυξης επίσης βάσης επίσης αλλά και τα αποτελέσματα σύγκρισης επίσης ποιότητας των δεδομένων επίσης με επίσης καταγραφές του 5ου dataset επίσης βάσης δεδομένων Ninapro, καθώς και αυτό το dataset δημιουργήθηκε με τη βοήθεια του Myo Armband. Τέλος, παρουσιάζεται η ανάπτυξη επίσης λογισμικού αναγνώρισης κινήσεων του χεριού σε πραγματικό χρόνο. Στο λογισμικό αυτό αξιοποιήθηκε το νευρωνικό δίκτυο που σχεδιάστηκε στα πλαίσια επίσης διπλωματικής, το οποίο και εκπαιδεύτηκε με τα δεδομένα επίσης βάσης δεδομένων MyoUP. Η εκπαίδευση του νευρωνικού δικτύου έλαβε χώρα σε έναν απομακρυσμένο server μεγάλης υπολογιστικής ισχύος, ενώ ο απαραίτητος κώδικας γράφτηκε στη γλώσσα προγραμματισμού Python. Επίσης, η εφαρμογή αναγνώρισης των κινήσεων του χεριού σε πραγματικό χρόνο αναπτύχθηκε σε Python ενώ η επεξεργασία των σημάτων έγινε με το πρόγραμμα MATLAB.
|
|---|
