| Περίληψη: | Η Μηχανική Μάθηση αποτελεί ίσως τον πιο ραγδαία αναπτυσσόμενο τομέα της
Τεχνητής Νοημοσύνης, καθώς τα τελευταία χρόνια, ειδικά μετά την έλευση της Βαθιάς
Μάθησης, έχει προσφέρει πληθώρα μεθόδων με πολύ καλά αποτελέσματα σε αρκετούς
τομείς όπως η ρομποτική και ο έλεγχος προσθετικών μελών. Σε αυτή τη διπλωματική
εργασία προτείνεται μια προσέγγιση για την αναγνώριση των κινήσεων του χεριού με
βάση τα χρονικά συνελικτικά νευρωνικά δίκτυα (TCN) και τις Μηχανές Διανυσμάτων
Υποστήριξης (SVM) και παρουσιάζει μια νέα βάση δεδομένων κινήσεων. Στόχος είναι η
να αναπτύξουμε ένα ισχυρό και ακριβές σύστημα για την αναγνώριση συγκεκριμένων
κινήσεων του χεριού, το οποίο μπορεί να χρησιμοποιηθεί σε εφαρμογές όπως η
προσθετική και η αλληλεπίδραση ανθρώπου-υπολογιστή.
Στο πρώτο μέρος της εργασίας, εφαρμόζουμε έναν ταξινομητή SVM στη βάση
δεδομένων Ninapro DB5, η οποία περιέχει 52 κινήσεις χεριών χωρισμένες σε τέσσερις
κατηγορίες. Ωστόσο από αυτό το σύνολο των κινήσεων απομονώσαμε 5 κινήσεις οι
οποίες εμφάνιζαν μεγαλύτερη ακρίβεια στην αναγνώριση τους. Προ-επεξεργαστήκαμε
τα σήματα εισόδου εφαρμόζοντας φιλτράρισμα και κανονικοποίηση ζώνης διέλευσης
και έγινε εξαγωγή των απαραίτητων χαρακτηριστικών για την είσοδό τους στον
ταξινομητή.
Ύστερα από την παρατήρηση ότι στις βάσεις δεδομένων της Ninapro οι περισσότεροι
εθελοντές που έλαβαν μέρος στη δημιουργία αυτής είναι υγιείς και αρτιμελείς,
δημιουργήθηκε μια νέα βάση δεδομένων DB. Στη δημιουργία αυτής, έλαβαν μέρος
εθελοντές με κινητικά προβλήματα στα άνω άκρα, τα οποία αποτελούν αποτέλεσμα
του νευρολογικού αυτοάνοσου νοσήματος Σκλήρυνση Κατά Πλάκας. Για τη συλλογή
των δεδομένων ακολουθήθηκε πιστά το πρωτόκολλο καταγραφής της Ninapro ώστε
να είναι συγκρίσιμες. Εφαρμόσαμε τα ίδια βήματα προ-επεξεργασίας με το
προηγούμενο πείραμα και στον ταξινομητή SVM για την αναγνώριση των 5 κινήσεων
που έχουν επιλεχθεί.
6
Έπειτα εφαρμόσαμε το μοντέλο TCN στη βάση δεδομένων Ninapro DB5, με σκοπό την
αναγνώριση των 5 κινήσεων. Χρησιμοποιώντας τη μέθοδο των κυλιόμενων
παραθύρων δημιουργήσαμε εισόδους με διαφορετικό μήκος στο μοντέλο μας, ώστε να
πετύχουμε μεγαλύτερη ακρίβεια στην κατηγοριοποίηση των κινήσεων. Ακόμη,
σημαντική σημασία για την αύξηση της ακρίβειας έχει και ο προσδιορισμός των
βέλτιστων υπερ-παραμέτρων, το οποίο επιτεύχθηκε με τη με μέθοδο grid search.
Συμπερασματικά, η προτεινόμενη προσέγγισή μας παρουσιάζει τη δυνατότητα
αναγνώρισης των κινήσεων του χεριού με τον κλασικό ταξινομητή SVM όπως και
τεχνικές Βαθιάς Μάθησης. Το νέο σύνολο δεδομένων που δημιουργήθηκε μπορεί να
χρησιμοποιηθεί για περαιτέρω έρευνα και ανάπτυξη σε αυτόν τον τομέα.
Μελλοντικές έρευνες θα μπορούσαν να επικεντρωθούν στη δημιουργία διαφορετικών
αρχιτεκτονικών βαθιάς μάθησης και μεθόδων βελτιστοποίησης για περαιτέρω αύξηση
της απόδοσης του συστήματος
|
|---|
