Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης
Η παρούσα διπλωματική εργασία διερευνά την χρήση επιφανειακών ηλεκτρομυϊκών σημάτων ως σημάτων ελέγχου στην προσπάθεια υλοποίησης μιας προσομοίωσης πραγματικού χρόνου, κάνοντας χρήση τεχνικών βαθιάς μάθησης. Αρχικά, περιγράφεται η διαδικασία καταγραφής και επεξεργασίας των ηλεκτρομυϊκών σημάτων, προ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14033 |
| id |
nemertes-10889-14033 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-140332022-09-05T20:42:49Z Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης sEMG based control : a deep learning approach Κυριαζής, Ιωάννης Kyriazis, Ioannis Επιφανειακά ηλεκτρομυογραφήματα Συνελικτικά νευρωνικά δίκτυα Έλεγχος σε πραγματικό χρόνο sEMG Convolutional neural networks Real time control Drone/UAV Η παρούσα διπλωματική εργασία διερευνά την χρήση επιφανειακών ηλεκτρομυϊκών σημάτων ως σημάτων ελέγχου στην προσπάθεια υλοποίησης μιας προσομοίωσης πραγματικού χρόνου, κάνοντας χρήση τεχνικών βαθιάς μάθησης. Αρχικά, περιγράφεται η διαδικασία καταγραφής και επεξεργασίας των ηλεκτρομυϊκών σημάτων, προκειμένου να αναφερθούν μέθοδοι που θα χρησιμοποιηθούν στην συνέχεια. Έπειτα, αναλύεται η λειτουργία του Myo Armband, ενός περιβραχιονίου με 8 αισθητήρες και IMU, το οποίο συνιστά τον βασικό διαθέσιμο εξοπλισμό. Παράλληλα, γίνεται αναφορά στην βάση δεδομένων NinaPro, στην οποία βρίσκονται ομαδοποιημένες καταγραφές από ηλεκτρομυϊκά σήματα, βάσει του τρόπου συλλογής τους. Πρόκειται να γίνει χρήση του 5ου dataset της βάσης αυτής, στο οποίο περιέχονται δεδομένα καταγεγραμμένα με το Myo Armband. Στην συνέχεια, γίνεται μια εκτενής μελέτη των χαρακτηριστικών της βαθιάς μάθησης, καταλήγοντας στην επιλογή χρήσης Συνελικτικών Νευρωνικών Δικτύων. Κάνοντας χρήση όλων των παραπάνω, υλοποιείται μια αρχιτεκτονική νευρωνικού δικτύου με την βιβλιοθήκη keras της Python και εκπαιδευμένη στο Google Colab. Παρατηρώντας, όμως, από τα ποσοστά ακρίβειας πως το μέγεθος της βάσης δεδομένων δεν επαρκεί για μια καθολική λύση στο πρόβλημα, δημιουργείται ένα πρωτόκολλο ελέγχου, που εκμεταλλεύεται την κωδικοποίηση αλληλουχιών κινήσεων με υψηλό ποσοστό ακρίβειας, ώστε να επιτύχει αντιστοίχιση σε περισσότερες λειτουργίες της εφαρμογής. Έχοντας δημιουργήσει μια μέθοδο που παράγει ικανοποιητικά αποτελέσματα δοθέντων των υπαρχόντων περιορισμών, τελικά σχεδιάζεται η προσομοίωση ελέγχου, σε πραγματικό χρόνο, ενός UAV στο περιβάλλον Unity, κάνοντας χρήση των γλωσσών προγραμματισμού C# και Python. This Msc Thesis investigates the use of surface electromuscular signals as control signals in an attempt to implement a real – time simulation using deep learning techniques. First, the procedure of recording and processing electromuscular signals is described, in order to report methods that will be used later. Next, the function of the Myo Armband, an eight – sensor bracelet with IMU, which is the basic available equipment, is analyzed. At the same time, reference is made to the NinaPro database, which contains grouped recordings of electromuscular signals, based on how they are collected. The 5th dataset of this database will be used, which contains data recorded with the Myo Armband. Then, an extensive study of the characteristics of deep learning is made, concluding with the choice of using Convolutional Neural Networks. Using all of the above, a neural network architecture is implemented with Python's keras library and trained in Google Colab. Noticing, however, from the accuracy rates that the size of the database is not enough for a universal solution to the problem, a control protocol is created, which exploits the sequence of movements with high accuracy to achieve mapping to more functions of the application. Having created a method that produces satisfactory results given the existing constraints, it is finally planned to simulate a real – time control of a UAV in the Unity environment, using the C# and Python programming languages. 2020-10-21T10:53:02Z 2020-10-21T10:53:02Z 2020-10-15 http://hdl.handle.net/10889/14033 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Επιφανειακά ηλεκτρομυογραφήματα Συνελικτικά νευρωνικά δίκτυα Έλεγχος σε πραγματικό χρόνο sEMG Convolutional neural networks Real time control Drone/UAV |
| spellingShingle |
Επιφανειακά ηλεκτρομυογραφήματα Συνελικτικά νευρωνικά δίκτυα Έλεγχος σε πραγματικό χρόνο sEMG Convolutional neural networks Real time control Drone/UAV Κυριαζής, Ιωάννης Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| description |
Η παρούσα διπλωματική εργασία διερευνά την χρήση επιφανειακών ηλεκτρομυϊκών σημάτων ως σημάτων ελέγχου στην προσπάθεια υλοποίησης μιας προσομοίωσης πραγματικού χρόνου, κάνοντας χρήση τεχνικών βαθιάς μάθησης. Αρχικά, περιγράφεται η διαδικασία καταγραφής και επεξεργασίας των ηλεκτρομυϊκών σημάτων, προκειμένου να αναφερθούν μέθοδοι που θα χρησιμοποιηθούν στην συνέχεια. Έπειτα, αναλύεται η λειτουργία του Myo Armband, ενός περιβραχιονίου με 8 αισθητήρες και IMU, το οποίο συνιστά τον βασικό διαθέσιμο εξοπλισμό. Παράλληλα, γίνεται αναφορά στην βάση δεδομένων NinaPro, στην οποία βρίσκονται ομαδοποιημένες καταγραφές από ηλεκτρομυϊκά σήματα, βάσει του τρόπου συλλογής τους. Πρόκειται να γίνει χρήση του 5ου dataset της βάσης αυτής, στο οποίο περιέχονται δεδομένα καταγεγραμμένα με το Myo Armband. Στην συνέχεια, γίνεται μια εκτενής μελέτη των χαρακτηριστικών της βαθιάς μάθησης, καταλήγοντας στην επιλογή χρήσης Συνελικτικών Νευρωνικών Δικτύων. Κάνοντας χρήση όλων των παραπάνω, υλοποιείται μια αρχιτεκτονική νευρωνικού δικτύου με την βιβλιοθήκη keras της Python και εκπαιδευμένη στο Google Colab. Παρατηρώντας, όμως, από τα ποσοστά ακρίβειας πως το μέγεθος της βάσης δεδομένων δεν επαρκεί για μια καθολική λύση στο πρόβλημα, δημιουργείται ένα πρωτόκολλο ελέγχου, που εκμεταλλεύεται την κωδικοποίηση αλληλουχιών κινήσεων με υψηλό ποσοστό ακρίβειας, ώστε να επιτύχει αντιστοίχιση σε περισσότερες λειτουργίες της εφαρμογής. Έχοντας δημιουργήσει μια μέθοδο που παράγει ικανοποιητικά αποτελέσματα δοθέντων των υπαρχόντων περιορισμών, τελικά σχεδιάζεται η προσομοίωση ελέγχου, σε πραγματικό χρόνο, ενός UAV στο περιβάλλον Unity, κάνοντας χρήση των γλωσσών προγραμματισμού C# και Python. |
| author2 |
Kyriazis, Ioannis |
| author_facet |
Kyriazis, Ioannis Κυριαζής, Ιωάννης |
| author |
Κυριαζής, Ιωάννης |
| author_sort |
Κυριαζής, Ιωάννης |
| title |
Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| title_short |
Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| title_full |
Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| title_fullStr |
Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| title_full_unstemmed |
Έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| title_sort |
έλεγχος βασισμένος σε επιφανειακά ηλεκτρομυογραφήματα : μια προσέγγιση με την χρήση βαθιάς μάθησης |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14033 |
| work_keys_str_mv |
AT kyriazēsiōannēs elenchosbasismenosseepiphaneiakaēlektromyographēmatamiaprosengisēmetēnchrēsēbathiasmathēsēs AT kyriazēsiōannēs semgbasedcontroladeeplearningapproach |
| _version_ |
1771297317787271168 |
