Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας
Στην παρούσα διπλωματική εργασία εξετάζεται το πρόβλημα της ανάλυσης των κινήσεων του ανθρώπινου χεριού με αισθητήρες. Πρόκειται για ένα πρόβλημα του πραγματικού κόσμου το οποίο αν και δεν είναι νέο, αναζητά πιο διαισθητικές και φυσικές λύσεις. Η ανάλυση αυτή έχει ως στόχο να «επικοινωνήσει» τ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15038 |
| id |
nemertes-10889-15038 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Ανάλυση κινήσεων χεριού Βιολογικά σήματα Βαθιά μάθηση Machine learning Hand gesture analysis Biosignals Deep learning |
| spellingShingle |
Μηχανική μάθηση Ανάλυση κινήσεων χεριού Βιολογικά σήματα Βαθιά μάθηση Machine learning Hand gesture analysis Biosignals Deep learning Τσαλκιτζής, Αναστάσιος Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| description |
Στην παρούσα διπλωματική εργασία εξετάζεται το πρόβλημα της ανάλυσης των
κινήσεων του ανθρώπινου χεριού με αισθητήρες. Πρόκειται για ένα πρόβλημα του
πραγματικού κόσμου το οποίο αν και δεν είναι νέο, αναζητά πιο διαισθητικές και φυσικές
λύσεις. Η ανάλυση αυτή έχει ως στόχο να «επικοινωνήσει» τις κινήσεις του χεριού μέσω
αισθητήρων (επιφανειακό ηλεκτρομυογράφημα, επιταχυνσιόμετρο, γυροσκόπιο,
μαγνητόμετρο) και συνεπώς τα αποτελέσματά της μπορούν να χρησιμοποιηθούν για τον έλεγχο
κάποιου αντικειμένου (π.χ. προσθετικό βραχίονα). Ένα τέτοιο επίτευγμα μπορεί να βελτιώσει
τη ζωή πολλών ανθρώπων που στερούνται μέρος των άνω άκρων τους, αλλά και να ανοίξει
νέους δρόμους στον τομέα της διεπαφής ανθρώπου μηχανής. Η μελέτη που πραγματοποιήθηκε
για τους σκοπούς αυτή της διπλωματικής οδήγησε στο συμπέρασμα ότι η πολυπλοκότητα του
συγκεκριμένου προβλήματος απορρίπτει γενικές λύσεις και απαιτεί εξαιρετικά
βελτιστοποιημένες ανά άτομο προσεγγίσεις. Ακόμα η επιχειρούμενη έρευνα οδήγησε σε ένα
μεγάλο εύρος υποθέσεων για τα δεδομένα, ο έλεγχος των οποίων μπορεί να αποτελέσει από
μόνος του ξεχωριστή διπλωματική. Παράλληλα ερευνητικές προσπάθειες στον τομέα της
ανάλυσης των κινήσεων του χεριού έχουν οδηγήσει στην δημιουργία βάσεων δεδομένων οι
οποίες περιλαμβάνουν πλήθος κινήσεων χεριού καταγεγραμμένων με αισθητήρες. Οι βάσεις
αυτές είναι δημόσια διαθέσιμες και αποδεκτές από την ερευνητική κοινότητα. Ο συνδυασμός
λοιπόν της ύπαρξης δεδομένων, μαζί με το τεχνολογικό κύμα που ονομάζεται μηχανική
μάθηση, έστρεψε την παρούσα διπλωματική εργασία προς την κατεύθυνση της χρήσης
μεθόδων μηχανικής (αλλά και βαθιάς) μάθησης. Τα μοντέλα μας κατάφεραν αναγνώριση 30
(από σύνολο 40) διαφορετικών κινήσεων σε ικανοποιητικό βαθμό. Όσον αφορά τα
αποτελέσματα των μεθόδων που χρησιμοποιήσαμε, βασιστήκαμε κυρίως στη μετρική της
ακρίβειας αναγνώρισης, ενώ σε ορισμένες περιπτώσεις που χρειάστηκε η ταυτόχρονη
περιγραφή αποτελεσμάτων από πλήθος ατόμων, οδηγηθήκαμε στην παρουσίασή τους με τη
μορφή αναμενόμενων (μέσων) τιμών. Προφανώς δεν υπάρχει ο μέσος άνθρωπος, ωστόσο τα
στατιστικά αυτά είναι χρήσιμα για τους σκοπούς αξιολόγησης και σύγκρισης των μοντέλων
μας. Φυσικά όποιος ασχοληθεί με το συγκεκριμένο πρόβλημα καλό είναι να αναμένει μεγάλη
μεταβλητότητα στα αποτελέσματα της ανά άτομο ανάλυσης. Ακόμα οποιοδήποτε συμπέρασμα
που βασίζεται σε υποθέσεις μπορεί να οδηγήσει σε σημαντικά σφάλματα. Εντούτοις έγινε
προσπάθεια ο χειρισμός του προβλήματος να γίνει όσο πιο λογικά και αυστηρά γίνεται
κάνοντας ξεκάθαρες τις υποθέσεις και τον τρόπο εργασίας μας. Τέλος θα πρέπει να σημειωθεί
ότι σημαντική ενέργεια αφιερώθηκε στην παρούσα εργασία προκειμένου να μην υπάρχουν
μεροληψίες και προκαταλήψεις στα αποτελέσματά της. |
| author2 |
Tsalkitzis, Anastasios |
| author_facet |
Tsalkitzis, Anastasios Τσαλκιτζής, Αναστάσιος |
| author |
Τσαλκιτζής, Αναστάσιος |
| author_sort |
Τσαλκιτζής, Αναστάσιος |
| title |
Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| title_short |
Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| title_full |
Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| title_fullStr |
Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| title_full_unstemmed |
Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| title_sort |
ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15038 |
| work_keys_str_mv |
AT tsalkitzēsanastasios analysēkinēseōncherioumeaisthētēresēlektromyographēmatoskaiadraneias AT tsalkitzēsanastasios handgesturesrecognitionwithelectromyogramandinertialsensors |
| _version_ |
1771297344027885568 |
| spelling |
nemertes-10889-150382022-09-05T20:30:55Z Ανάλυση κινήσεων χεριού με αισθητήρες ηλεκτρομυογραφήματος και αδράνειας Hand gestures recognition with electromyogram and inertial sensors Τσαλκιτζής, Αναστάσιος Tsalkitzis, Anastasios Μηχανική μάθηση Ανάλυση κινήσεων χεριού Βιολογικά σήματα Βαθιά μάθηση Machine learning Hand gesture analysis Biosignals Deep learning Στην παρούσα διπλωματική εργασία εξετάζεται το πρόβλημα της ανάλυσης των κινήσεων του ανθρώπινου χεριού με αισθητήρες. Πρόκειται για ένα πρόβλημα του πραγματικού κόσμου το οποίο αν και δεν είναι νέο, αναζητά πιο διαισθητικές και φυσικές λύσεις. Η ανάλυση αυτή έχει ως στόχο να «επικοινωνήσει» τις κινήσεις του χεριού μέσω αισθητήρων (επιφανειακό ηλεκτρομυογράφημα, επιταχυνσιόμετρο, γυροσκόπιο, μαγνητόμετρο) και συνεπώς τα αποτελέσματά της μπορούν να χρησιμοποιηθούν για τον έλεγχο κάποιου αντικειμένου (π.χ. προσθετικό βραχίονα). Ένα τέτοιο επίτευγμα μπορεί να βελτιώσει τη ζωή πολλών ανθρώπων που στερούνται μέρος των άνω άκρων τους, αλλά και να ανοίξει νέους δρόμους στον τομέα της διεπαφής ανθρώπου μηχανής. Η μελέτη που πραγματοποιήθηκε για τους σκοπούς αυτή της διπλωματικής οδήγησε στο συμπέρασμα ότι η πολυπλοκότητα του συγκεκριμένου προβλήματος απορρίπτει γενικές λύσεις και απαιτεί εξαιρετικά βελτιστοποιημένες ανά άτομο προσεγγίσεις. Ακόμα η επιχειρούμενη έρευνα οδήγησε σε ένα μεγάλο εύρος υποθέσεων για τα δεδομένα, ο έλεγχος των οποίων μπορεί να αποτελέσει από μόνος του ξεχωριστή διπλωματική. Παράλληλα ερευνητικές προσπάθειες στον τομέα της ανάλυσης των κινήσεων του χεριού έχουν οδηγήσει στην δημιουργία βάσεων δεδομένων οι οποίες περιλαμβάνουν πλήθος κινήσεων χεριού καταγεγραμμένων με αισθητήρες. Οι βάσεις αυτές είναι δημόσια διαθέσιμες και αποδεκτές από την ερευνητική κοινότητα. Ο συνδυασμός λοιπόν της ύπαρξης δεδομένων, μαζί με το τεχνολογικό κύμα που ονομάζεται μηχανική μάθηση, έστρεψε την παρούσα διπλωματική εργασία προς την κατεύθυνση της χρήσης μεθόδων μηχανικής (αλλά και βαθιάς) μάθησης. Τα μοντέλα μας κατάφεραν αναγνώριση 30 (από σύνολο 40) διαφορετικών κινήσεων σε ικανοποιητικό βαθμό. Όσον αφορά τα αποτελέσματα των μεθόδων που χρησιμοποιήσαμε, βασιστήκαμε κυρίως στη μετρική της ακρίβειας αναγνώρισης, ενώ σε ορισμένες περιπτώσεις που χρειάστηκε η ταυτόχρονη περιγραφή αποτελεσμάτων από πλήθος ατόμων, οδηγηθήκαμε στην παρουσίασή τους με τη μορφή αναμενόμενων (μέσων) τιμών. Προφανώς δεν υπάρχει ο μέσος άνθρωπος, ωστόσο τα στατιστικά αυτά είναι χρήσιμα για τους σκοπούς αξιολόγησης και σύγκρισης των μοντέλων μας. Φυσικά όποιος ασχοληθεί με το συγκεκριμένο πρόβλημα καλό είναι να αναμένει μεγάλη μεταβλητότητα στα αποτελέσματα της ανά άτομο ανάλυσης. Ακόμα οποιοδήποτε συμπέρασμα που βασίζεται σε υποθέσεις μπορεί να οδηγήσει σε σημαντικά σφάλματα. Εντούτοις έγινε προσπάθεια ο χειρισμός του προβλήματος να γίνει όσο πιο λογικά και αυστηρά γίνεται κάνοντας ξεκάθαρες τις υποθέσεις και τον τρόπο εργασίας μας. Τέλος θα πρέπει να σημειωθεί ότι σημαντική ενέργεια αφιερώθηκε στην παρούσα εργασία προκειμένου να μην υπάρχουν μεροληψίες και προκαταλήψεις στα αποτελέσματά της. This thesis examines the problem of the analysis and the recognition of human gestures. It is a real-world problem that although it is not a new, it still needs more intuitive solutions. The goal of this analysis is to «communicate» human hand movements that are captured with sensors (surface electromyogram, accelerometer, gyroscope, magnetometer) and thus its results can be used to control an object (e.g. prosthetic hand). Achieving this, will improve the life of many amputees but also, it will pave new ways in the field of human-machine interaction. Moreover, the study of this problem has led us to the conclusion that its complexity is of a great amount. Thus, it eliminates the chance for generic solutions while it requires very specialized per subject optimization. Also, during this research many assumptions were made about the data, the validation of whom could be addressed in a separate thesis. Importantly, efforts by other researchers have made it possible to access hand gestures’ sensor data that are both public and accepted by the research community. Notably, the available data in combination with the fast-growing field of machine learning has steered this thesis in the use of machine learning (and deep learning) techniques. The resulted models of our analysis have achieved satisfactory classification accuracy for 30 (out of the total 40) gestures. Although in many cases we had to present our solutions in the form of expected values, due to the large number of subjects we studied, these mean values of classification accuracy do not (and must not) imply that there is such thing as an average human. On contrast, one should expect great variability in the results of intra-subject analysis. The only reason for this type of reasoning (expected-value reasoning) is to provide a value which accompanies, for evaluation and comparison purposes, our machine learning models. Also, any wrong assumption can lead to big errors. For that reason, in each step of the solution process we have noted our assumptions clearly. Finally, it should be noted that significant effort was devoted to the present work in order to avoid any type of bias in its results. 2021-07-16T10:52:32Z 2021-07-16T10:52:32Z 2021-07-16 http://hdl.handle.net/10889/15038 gr application/pdf |
