Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU)
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 κατασκευάζ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23417 |
| id |
nemertes-10889-23417 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ηλεκτρομυογράφημα Αδρανειακές μονάδες μέτρησης Αναγνώριση κινήσεων χεριού Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης EMG IMU Hand gesture recognition Machine learning ANN SVM |
| spellingShingle |
Ηλεκτρομυογράφημα Αδρανειακές μονάδες μέτρησης Αναγνώριση κινήσεων χεριού Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης EMG IMU Hand gesture recognition Machine learning ANN SVM Ματινόπουλος Λόπεθ, Αλέξανδρος Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| description |
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%. |
| author2 |
Matinopoulos Lopez, Alejandro |
| author_facet |
Matinopoulos Lopez, Alejandro Ματινόπουλος Λόπεθ, Αλέξανδρος |
| author |
Ματινόπουλος Λόπεθ, Αλέξανδρος |
| author_sort |
Ματινόπουλος Λόπεθ, Αλέξανδρος |
| title |
Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| title_short |
Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| title_full |
Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| title_fullStr |
Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| title_full_unstemmed |
Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) |
| title_sort |
αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (emg) και σημάτων απο αδρανειακές μονάδες μέτρησης (imu) |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23417 |
| work_keys_str_mv |
AT matinopouloslopethalexandros anagnōrisētōnkinēseōntēsakrascheirasmesōtōnēlektromyographēmatōnemgkaisēmatōnapoadraneiakesmonadesmetrēsēsimu AT matinopouloslopethalexandros handgesturerecognitionfromsemgandimusignals |
| _version_ |
1771297361582096384 |
| spelling |
nemertes-10889-234172022-10-18T03:37:16Z Αναγνώριση των κινήσεων της άκρας χείρας μέσω των ηλεκτρομυογραφημάτων (EMG) και σημάτων απο αδρανειακές μονάδες μέτρησης (IMU) Hand gesture recognition from sEMG and IMU signals Ματινόπουλος Λόπεθ, Αλέξανδρος Matinopoulos Lopez, Alejandro Ηλεκτρομυογράφημα Αδρανειακές μονάδες μέτρησης Αναγνώριση κινήσεων χεριού Μηχανική μάθηση Τεχνητά νευρωνικά δίκτυα Μηχανές διανυσμάτων υποστήριξης EMG IMU Hand gesture recognition Machine learning ANN SVM 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%. This MSc thesis studies the effect that superficial Electromyograms (sEMG) and Inertial Measurement Units (IMU) have when training systems with the ability to recognize and categorize hand movements. The developed systems include machine learning models, specifically Artificial Neural Networks (ANN) and Support Vector Machines (SVM). Initially reference is made to the background knowledge needed for better understanding of the experiments conducted. More specifically, reference is made to the basic theory around electromyography and inertial measurement unit signals, describing their characteristics, how they are created and how they are recorded, and also to the basic concepts of Machine Learning, including its types, with focus on the systems used in this thesis, which are ANN and SVM models. Then there is a brief review of the existing literature, which includes the type and amount of data used, the techniques employed in the solution of problems of the same nature as the one that this thesis discusses, and also the efficiency of the methods used in such papers. Subsequently, the database used in this thesis is described, which is the database DB7 of NinaPro. The methods employed for the appropiate processing to the data of such database are described, which include filtering, normalization, windowing and feature extraction. We follow up with the training of the models, which consists of the determination of their architecture and their appropiate hyperparameters. After the systems are modelled and trained, we follow up with a chapter in which the results and the efficiency of the systems used are displayed, and also the effect of the different types of signals (EMG and IMU) have on the classification accuracy of the database movements, when such signals are given to the system during the training phase, is measured. The results show that the combined use of both surface electromyograms and inertial movement unit signals in training increases performance of the classification systems considerably. The classification accuracy on the two selected datasets, consisting of 4 and 40 movements each, shows an average increase of 7.79% and 17.83% respectively. The results also suggest that mixed sEMG and IMU signal usage leads to increased accuracy in classification of movements performed by amputees, with an average increase of 27.86%. 2022-10-17T18:17:47Z 2022-10-17T18:17:47Z 2022-10-17 https://hdl.handle.net/10889/23417 el Attribution-NonCommercial-ShareAlike 3.0 United States http://creativecommons.org/licenses/by-nc-sa/3.0/us/ application/pdf |
