| Περίληψη: | Η παρούσα διπλωματική εργασία ασχολείται με την μελέτη της επίδρασης των επιφανειακών ηλεκτρομυογραφημάτων (sEMG) και των σημάτων αδρανειακών μονάδων μέτρησης (IMU) στην εκπαίδευση συστημάτων με την ικανότητα να αναγνωρίζουν και να κατηγοριοποιούν κινήσεις της άνω χείρας. Τα συστήματα που κατασκευάζονται είναι μοντέλα μηχανικής μάθησης, και συγκεκριμένα Τεχνητά Νευρωνικά Δίκτυα (ANN) και Μηχανές Διανυσμάτων Υποστήριξης (SVM). Αρχικά γίνεται αναφορά στο θεωρητικό υπόβαθρο το οποίο είναι απαραίτητο για την κατανόηση των πειραμάτων. Συγκεκριμένα γίνεται αναφορά στην βασική θεωρία γύρω από τα ηλεκτρομυογραφήματα και τα σήματα από αδρανειακές μονάδες μέτρησης, περιγράφοντας τα χαρακτηριστικά τους, τον τρόπο δημιουργίας τους και την διαδικασία καταγραφής τους, καθώς επίσης γίνεται αναφορά και στις βασικές έννοιες της μηχανικής μάθησης, δηλαδή ποια είναι τα είδη της, και περιγράφονται με μεγαλύτερη λεπτομέρεια τα συστήματα τα οποία χρησιμοποιούνται στην εργασία, που είναι τα ANN και τα SVM. Έπειτα γίνεται σύντομη ανασκόπηση της υπάρχουσας βιβλιογραφίας, η οποία περιλαμβάνει το είδος και πλήθος των δεδομένων που χρησιμοποιούνται, τις τεχνικές που χρησιμοποιούνται σε προβλήματα παρεμφερή με το αντικείμενο της εργασίας, καθώς και την αποδοτικότητα των μεθόδων που χρησιμοποιήθηκαν στις εργασίες αυτές. Στη συνέχεια περιγράφεται η βάση δεδομένων που χρησιμοποιήθηκε στην παρούσα διπλωματική εργασία, η οποία είναι η βάση DB7 της NinaPro. Περιγράφονται επίσης οι μέθοδοι που χρησιμοποιήθηκαν για την κατάλληλη επεξεργασία των δεδομένων της βάσης αυτής, όπως φιλτράρισμα, κανονικοποίηση, παραθυροποίηση και εξαγωγή χαρακτηριστικών. Ακολουθεί η εκπαίδευση των μοντέλων, που περιλαμβάνει τον καθορισμό των βέλτιστων υπερπαραμέτρων τους καθώς και την αρχιτεκτονική τους. Αφού μοντελοποιηθούν και εκπαιδευτούν τα μοντέλα, ακολουθεί ένα κεφάλαιο στο οποίο φαίνονται τα αποτελέσματα και οι επιδόσεις των συστημάτων αυτών, καθώς και η επίδραση των διαφορετικών ειδών σημάτων (EMG και IMU) στην ακρίβεια κατηγοριοποίησης των κινήσεων της βάσης, όταν αυτά προστίθενται κατά την εκπαίδευση. Τα αποτελέσματα δείχνουν πως η χρήση των επιφανειακών ηλεκτρομυογραφημάτων σε συνδυασμό με σήματα από αδρανειακές μονάδες μέτρησης στην εκπαίδευση αυξάνει την απόδοση των συστημάτων κατηγοριοποίησης σημαντικά. Η ακρίβεια αναγνώρισης στα δύο σύνολα δεδομένων που κατηγοριοποιήθηκαν, 4 και 40 κινήσεων, έδειξε μέση αύξηση 7.79% και 17.83% αντίστοιχα στην ακρίβεια των μοντέλων. Επίσης τα αποτελέσματα δείχνουν πως η μικτή χρήση σημάτων sEMG και IMU ωφελεί σε μεγάλο ποσοστό στην κατηγοριοποίηση κινήσεων μη αρτιμελών ατόμων, με μέση αύξηση ακρίβειας 27.86%.
|
|---|
