Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning
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 δημιουργ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14583 |
| id |
nemertes-10889-14583 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-145832022-09-05T09:40:48Z Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning sEMG - based hand gesture recognition Πεφτίκογλου, Παντελεήμων Αλκίνοος Peftikoglou, Panteleimon Alkinoos Ηλεκτρομυογραφία Αναγνώριση κινήσεων χεριού Νευρωνικά δίκτυα Βαθιά μάθηση Electromyography (EMG) Hand gesture recognition Neural networks Deep learning 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. This Msc Thesis is focused on the development of the architectures of convolutional neural networks for the recognition of hand movements through surface electromuscular signals. First of all, reference is made to the basic theory of EMG signals. More specifically, the stage of creation of an EMG signal, during the execution of a movement and the way of recording, are being described. Moreover, after mentioning the basic principles of Machine Learning and Deep Learning theory, the databases of EMGs used in this work are presented. For the needs of this work, datasets DB1 and DB5 from Ninapro and DB-c from CapgMyo were selected. For each of them, the processing techniques such as filtering, amplitude normalization and sEMG image creation are described. Furthermore, two experimental stages of the present study follow. The first stage outlines the creation of the neural networks, the process of selecting hyperparameters, but also the results of movement classification for each database. In the second stage, a study is performed on CapgMyo’s DB-c dataset, which consists of data from hundreds of recording sensors, in order to identify the group of electrodes which is the most important in motion recognition. Thus, data of each group of sensors is altered in two ways. First, recordings are replaced with zero values and then with random noise values. Classification results are listed for each case. Finally, all the conclusions that emerged from this research are summarized and some ideas and possible modifications are proposed. 2021-03-03T11:06:06Z 2021-03-03T11:06:06Z 2021-03-01 http://hdl.handle.net/10889/14583 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ηλεκτρομυογραφία Αναγνώριση κινήσεων χεριού Νευρωνικά δίκτυα Βαθιά μάθηση Electromyography (EMG) Hand gesture recognition Neural networks Deep learning |
| spellingShingle |
Ηλεκτρομυογραφία Αναγνώριση κινήσεων χεριού Νευρωνικά δίκτυα Βαθιά μάθηση Electromyography (EMG) Hand gesture recognition Neural networks Deep learning Πεφτίκογλου, Παντελεήμων Αλκίνοος Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| description |
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. |
| author2 |
Peftikoglou, Panteleimon Alkinoos |
| author_facet |
Peftikoglou, Panteleimon Alkinoos Πεφτίκογλου, Παντελεήμων Αλκίνοος |
| author |
Πεφτίκογλου, Παντελεήμων Αλκίνοος |
| author_sort |
Πεφτίκογλου, Παντελεήμων Αλκίνοος |
| title |
Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| title_short |
Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| title_full |
Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| title_fullStr |
Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| title_full_unstemmed |
Αναγνώριση κινήσεων χεριού μέσω sEMG σημάτων και deep learning |
| title_sort |
αναγνώριση κινήσεων χεριού μέσω semg σημάτων και deep learning |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14583 |
| work_keys_str_mv |
AT pephtikogloupanteleēmōnalkinoos anagnōrisēkinēseōncherioumesōsemgsēmatōnkaideeplearning AT pephtikogloupanteleēmōnalkinoos semgbasedhandgesturerecognition |
| _version_ |
1771297189583126528 |
