Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος

Ο στόχος αυτής της εργασίας ήταν η αναγνώριση έξι βασικών κινήσεων του χεριού με χρήση δύο συστημάτων. Όντας θέμα διεπιστημονικού επιπέδου έγινε μελέτη της ανατομίας των μυών του πήχη, των βιοσημάτων, της μεθόδου της ηλεκτρομυογραφίας (ΗΜΓ) και μεθόδων αναγνώρισης προτύπων. Παράλληλα, το σήμα περιεί...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Σαψάνης, Χρήστος
Άλλοι συγγραφείς: Τζες, Αντώνιος
Μορφή: Thesis
Γλώσσα:Greek
Έκδοση: 2013
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/6420
id nemertes-10889-6420
record_format dspace
spelling nemertes-10889-64202022-09-05T20:52:41Z Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος Recognition of basic hand movements using electromyography Σαψάνης, Χρήστος Τζες, Αντώνιος Γρουμπός, Πέτρος Sapsanis, Christos Βιοϊατρική ανάλυση σήματος RELIEF αλγόριθμος Ανάλυση κύριων συνιστωσών Αναγνώριση προτύπων Μηχανές διανυσματικής στήριξης Κ-πλησιέστερος γείτονας Εξαγωγή χαρακτηριστικών Ηλεκτρομυογραφία (ΗΜΓ) Biomedical signal analysis RELIEF algorithm Empirical Mode Decomposition (EMD) Principal Component Analysis (PCA) Support Vector Machines (SVM) K - nearest neighbor (KNN) Feature selection Electromyography (EMG) Arduino Pattern recognition 612.76 Ο στόχος αυτής της εργασίας ήταν η αναγνώριση έξι βασικών κινήσεων του χεριού με χρήση δύο συστημάτων. Όντας θέμα διεπιστημονικού επιπέδου έγινε μελέτη της ανατομίας των μυών του πήχη, των βιοσημάτων, της μεθόδου της ηλεκτρομυογραφίας (ΗΜΓ) και μεθόδων αναγνώρισης προτύπων. Παράλληλα, το σήμα περιείχε αρκετό θόρυβο και έπρεπε να αναλυθεί, με χρήση του EMD, να εξαχθούν χαρακτηριστικά αλλά και να μειωθεί η διαστασιμότητά τους, με χρήση των RELIEF και PCA, για βελτίωση του ποσοστού επιτυχίας ταξινόμησης. Στο πρώτο μέρος γίνεται χρήση συστήματος ΗΜΓ της Delsys αρχικά σε ένα άτομο και στη συνέχεια σε έξι άτομα με το κατά μέσο όρο επιτυχημένης ταξινόμησης, για τις έξι αυτές κινήσεις, να αγγίζει ποσοστά άνω του 80%. Το δεύτερο μέρος περιλαμβάνει την κατασκευή αυτόνομου συστήματος ΗΜΓ με χρήση του Arduino μικροελεγκτή, αισθητήρων ΗΜΓ και ηλεκτροδίων, τα οποία είναι τοποθετημένα σε ένα ελαστικό γάντι. Τα αποτελέσματα ταξινόμησης σε αυτή την περίπτωση αγγίζουν το 75%. The aim of this work was to identify six basic movements of the hand using two systems. Being an interdisciplinary topic, there has been conducted studying in the anatomy of forearm muscles, biosignals, the method of electromyography (EMG) and methods of pattern recognition. Moreover, the signal contained enough noise and had to be analyzed, using EMD, to extract features and to reduce its dimensionality, using RELIEF and PCA, to improve the success rate of classification. The first part uses an EMG system of Delsys initially for an individual and then for six people with the average successful classification, for these six movements at rates of over 80%. The second part involves the construction of an autonomous system EMG using an Arduino microcontroller, EMG sensors and electrodes, which are arranged in an elastic glove. Classification results in this case reached 75% of success. 2013-10-13T10:37:39Z 2013-10-13T10:37:39Z 2013-06-21 2013-10-13 Thesis http://hdl.handle.net/10889/6420 gr 0 application/pdf application/pdf
institution UPatras
collection Nemertes
language Greek
topic Βιοϊατρική ανάλυση σήματος
RELIEF αλγόριθμος
Ανάλυση κύριων συνιστωσών
Αναγνώριση προτύπων
Μηχανές διανυσματικής στήριξης
Κ-πλησιέστερος γείτονας
Εξαγωγή χαρακτηριστικών
Ηλεκτρομυογραφία (ΗΜΓ)
Biomedical signal analysis
RELIEF algorithm
Empirical Mode Decomposition (EMD)
Principal Component Analysis (PCA)
Support Vector Machines (SVM)
K - nearest neighbor (KNN)
Feature selection
Electromyography (EMG)
Arduino
Pattern recognition
612.76
spellingShingle Βιοϊατρική ανάλυση σήματος
RELIEF αλγόριθμος
Ανάλυση κύριων συνιστωσών
Αναγνώριση προτύπων
Μηχανές διανυσματικής στήριξης
Κ-πλησιέστερος γείτονας
Εξαγωγή χαρακτηριστικών
Ηλεκτρομυογραφία (ΗΜΓ)
Biomedical signal analysis
RELIEF algorithm
Empirical Mode Decomposition (EMD)
Principal Component Analysis (PCA)
Support Vector Machines (SVM)
K - nearest neighbor (KNN)
Feature selection
Electromyography (EMG)
Arduino
Pattern recognition
612.76
Σαψάνης, Χρήστος
Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
description Ο στόχος αυτής της εργασίας ήταν η αναγνώριση έξι βασικών κινήσεων του χεριού με χρήση δύο συστημάτων. Όντας θέμα διεπιστημονικού επιπέδου έγινε μελέτη της ανατομίας των μυών του πήχη, των βιοσημάτων, της μεθόδου της ηλεκτρομυογραφίας (ΗΜΓ) και μεθόδων αναγνώρισης προτύπων. Παράλληλα, το σήμα περιείχε αρκετό θόρυβο και έπρεπε να αναλυθεί, με χρήση του EMD, να εξαχθούν χαρακτηριστικά αλλά και να μειωθεί η διαστασιμότητά τους, με χρήση των RELIEF και PCA, για βελτίωση του ποσοστού επιτυχίας ταξινόμησης. Στο πρώτο μέρος γίνεται χρήση συστήματος ΗΜΓ της Delsys αρχικά σε ένα άτομο και στη συνέχεια σε έξι άτομα με το κατά μέσο όρο επιτυχημένης ταξινόμησης, για τις έξι αυτές κινήσεις, να αγγίζει ποσοστά άνω του 80%. Το δεύτερο μέρος περιλαμβάνει την κατασκευή αυτόνομου συστήματος ΗΜΓ με χρήση του Arduino μικροελεγκτή, αισθητήρων ΗΜΓ και ηλεκτροδίων, τα οποία είναι τοποθετημένα σε ένα ελαστικό γάντι. Τα αποτελέσματα ταξινόμησης σε αυτή την περίπτωση αγγίζουν το 75%.
author2 Τζες, Αντώνιος
author_facet Τζες, Αντώνιος
Σαψάνης, Χρήστος
format Thesis
author Σαψάνης, Χρήστος
author_sort Σαψάνης, Χρήστος
title Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
title_short Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
title_full Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
title_fullStr Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
title_full_unstemmed Αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
title_sort αναγνώριση βασικών κινήσεων του χεριού με χρήση ηλεκτρομυογραφήματος
publishDate 2013
url http://hdl.handle.net/10889/6420
work_keys_str_mv AT sapsanēschrēstos anagnōrisēbasikōnkinēseōntoucherioumechrēsēēlektromyographēmatos
AT sapsanēschrēstos recognitionofbasichandmovementsusingelectromyography
_version_ 1771297317731696640