Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η υλοποίηση ενός δυναμικού αλγορίθμου που στηρίζεται σε ένα μη επιβλεπόμενο πλαίσιο μάθησης, ο οποίος αναγνωρίζει περιοχές κίνησης του μυός σε ηλεκτρομυογράφημα και ταξινομεί το σήμα σε κίνηση ή θόρυβο. Ο αλγόριθμος περιλαμβάνει δύο στάδια: το στά...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15310 |
| id |
nemertes-10889-15310 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-153102022-09-06T05:14:14Z Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος Analysis of adults' equilibrium conditions using electromyogram signals Κιούση, Παναγιώτα Kiousi, Panagiota Ηλεκτρομυογράφημα Δυναμικοί αλγόριθμοι Αναγνώριση σήματος κίνησης Electromyogram Dynamic algorithms Recognition of movement Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η υλοποίηση ενός δυναμικού αλγορίθμου που στηρίζεται σε ένα μη επιβλεπόμενο πλαίσιο μάθησης, ο οποίος αναγνωρίζει περιοχές κίνησης του μυός σε ηλεκτρομυογράφημα και ταξινομεί το σήμα σε κίνηση ή θόρυβο. Ο αλγόριθμος περιλαμβάνει δύο στάδια: το στάδιο της αρχικοποίησης και το στάδιο της ακολουθιακής εκτίμησης. Για το στάδιο της αρχικοποίησης χρησιμοποιείται ένα μοντέλο μίξης που αποτελείται από τον συνδυασμό δύο κανονικών κατανομών (Gaussian Mixture Model) και εφαρμόζεται ο αλγόριθμος Expectation-Maximization ώστε να προσδιοριστεί στη συνέχεια το βέλτιστο κατώφλι για την ταξινόμηση των δεδομένων σε δύο κλάσεις. Στο στάδιο της ακολουθιακής εκτίμησης τα νέα δεδομένα χρησιμοποιούνται ώστε να επαναπροσδιοριστούν οι παράμετροι και το νέο βέλτιστο κατώφλι. Η υλοποίηση του αλγορίθμου έγινε σε περιβάλλον MATLAB. Ο αλγόριθμος εφαρμόστηκε σε πραγματικά δεδομένα ηλεκτρομυογραφήματος που προήλθαν από το Πανεπιστημιακό Νοσοκομείο του Ρίου. This diploma thesis deals with the implementation of a dynamic algorithm which is based on an unsupervised learning framework. The algorithm can recognize regions of muscle movement in an electromyogram signal and classifies the signal as movement or noise. The algorithm includes two stages: the initialization and the sequential estimation. In the initialization, a mixture model is used which is composed by two Gaussian distributions, so the model is known as Gaussian mixture model. The Expectation-Maximization algorithm is applied in order for the optimal threshold to be derived, which is used for the classification of the data in two categories. Furthermore, in the sequential estimation stage, the new data are used so the new parameters and the new optimal threshold to be specified again. The algorithm was implemented in MATLAB environment. Also, the algorithm was applied in real electromyogram data from Rio Hospital Patras, Greece. 2021-10-13T06:10:13Z 2021-10-13T06:10:13Z 2021-10-05 http://hdl.handle.net/10889/15310 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ηλεκτρομυογράφημα Δυναμικοί αλγόριθμοι Αναγνώριση σήματος κίνησης Electromyogram Dynamic algorithms Recognition of movement |
| spellingShingle |
Ηλεκτρομυογράφημα Δυναμικοί αλγόριθμοι Αναγνώριση σήματος κίνησης Electromyogram Dynamic algorithms Recognition of movement Κιούση, Παναγιώτα Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| description |
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η υλοποίηση ενός δυναμικού αλγορίθμου που στηρίζεται σε ένα μη επιβλεπόμενο πλαίσιο μάθησης, ο οποίος αναγνωρίζει περιοχές κίνησης του μυός σε ηλεκτρομυογράφημα και ταξινομεί το σήμα σε κίνηση ή θόρυβο. Ο αλγόριθμος περιλαμβάνει δύο στάδια: το στάδιο της αρχικοποίησης και το στάδιο της ακολουθιακής εκτίμησης. Για το στάδιο της αρχικοποίησης χρησιμοποιείται ένα μοντέλο μίξης που αποτελείται από τον συνδυασμό δύο κανονικών κατανομών (Gaussian Mixture Model) και εφαρμόζεται ο αλγόριθμος Expectation-Maximization ώστε να προσδιοριστεί στη συνέχεια το βέλτιστο κατώφλι για την ταξινόμηση των δεδομένων σε δύο κλάσεις. Στο στάδιο της ακολουθιακής εκτίμησης τα νέα δεδομένα χρησιμοποιούνται ώστε να επαναπροσδιοριστούν οι παράμετροι και το νέο βέλτιστο κατώφλι. Η υλοποίηση του αλγορίθμου έγινε σε περιβάλλον MATLAB. Ο αλγόριθμος εφαρμόστηκε σε πραγματικά δεδομένα ηλεκτρομυογραφήματος που προήλθαν από το Πανεπιστημιακό Νοσοκομείο του Ρίου. |
| author2 |
Kiousi, Panagiota |
| author_facet |
Kiousi, Panagiota Κιούση, Παναγιώτα |
| author |
Κιούση, Παναγιώτα |
| author_sort |
Κιούση, Παναγιώτα |
| title |
Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| title_short |
Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| title_full |
Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| title_fullStr |
Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| title_full_unstemmed |
Ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| title_sort |
ανάλυση συνθηκών ισορροπίας ενηλίκων με χρήση σημάτων ηλεκτρομυογραφήματος |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15310 |
| work_keys_str_mv |
AT kiousēpanagiōta analysēsynthēkōnisorropiasenēlikōnmechrēsēsēmatōnēlektromyographēmatos AT kiousēpanagiōta analysisofadultsequilibriumconditionsusingelectromyogramsignals |
| _version_ |
1799945003718410240 |
