| Περίληψη: | Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων για την αναγνώριση κινήσεων χεριού μέσω επιφανειακών ηλεκτρομυογραφημάτων.
Αρχικά, γίνεται αναφορά στην βασική θεωρία γύρω από τα ηλεκτρομυογραφήματα. Πιο συγκεκριμένα, περιγράφεται το στάδιο της δημιουργίας τους κατά την εκτέλεση μια κίνησης και ο τρόπος καταγραφής τους. Κατόπιν, αναλύονται τα χαρακτηριστικά των επιφανειακών ηλεκτρομυϊκών σημάτων.
Στη συνέχεια, αφού αναφερθούν οι βασικές αρχές της μηχανικής μάθησης και του Deep Learning, παρουσιάζονται οι βάσεις δεδομένων των ηλεκτρομυογραφημάτων που χρησιμοποιούνται στην εργασία. Για τις ανάγκες της εργασίας επιλέχθηκαν τα δεδομένα από τα datasets DB1 και DB5 της Ninapro και το DB-c από την CapgMyo. Για κάθε ένα από αυτά, απαριθμούνται οι τεχνικές επεξεργασίας που πραγματοποιήθηκαν, όπως φιλτράρισμα, κανονικοποίηση πλάτους και δημιουργία sEMG εικόνας, προκειμένου να φέρουμε τα δεδομένα στην επιθυμητή μορφή.
Επιπρόσθετα, ακολουθούν τα δύο πειραματικά στάδια της παρούσας έρευνας. Στο πρώτο στάδιο περιγράφεται ο τρόπος δημιουργίας των νευρωνικών δικτύων, η διαδικασία επιλογής των τιμών των υπερπαραμέτρων, αλλά και τα αποτελέσματα της ταξινόμησης των κινήσεων για κάθε βάση δεδομένων.
Στο δεύτερο στάδιο, πραγματοποιείται μια μελέτη για το dataset DB-c της CapgMyo, που αποτελείται από δεδομένα εκατοντάδων αισθητήρων καταγραφής, προκειμένου να προσδιορίσουμε την ομάδα ηλεκτροδίων που παρουσιάζει την μεγαλύτερη σημασία στην αναγνώριση των κινήσεων. Έτσι, τα δεδομένα κάθε ομάδας «αλλοιώνονται» με δύο τρόπους. Πρώτα αντικαθίστανται με μηδενικές τιμές και έπειτα με τυχαίες τιμές θορύβου. Για κάθε περίπτωση καταγράφονται τα αποτελέσματα της ταξινόμησης.
Τέλος, γίνεται μια σύνοψη των συμπερασμάτων που προέκυψαν από αυτή την έρευνα και παρουσιάζονται ορισμένες πιθανές μελλοντικές τροποποιήσεις και ιδέες προς διερεύνηση.
|
|---|
