Αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων με τεχνικές deep learning
| dc.contributor.advisor | Σκόδρας, Αθανάσιος | |
| dc.contributor.author | Τσάγκας, Νικόλαος | |
| dc.contributor.committee | Σκόδρας, Αθανάσιος | |
| dc.contributor.committee | Σγάρμπας, Κυριάκος | |
| dc.contributor.other | Tsagkas, Nikolaos | |
| dc.date.accessioned | 2019-10-10T20:43:03Z | |
| dc.date.available | 2019-10-10T20:43:03Z | |
| dc.date.copyright | 2019-07-03 | |
| dc.degree | Διπλωματική Εργασία | el |
| dc.description.abstract | Τα τελευταία χρόνια έχει αναπτυχθεί στην ερευνητική κοινότητα ένα αυξημένο ενδιαφέρον για την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων, με τεχνικές Deep Learning. Σε αυτή τη διπλωματική εργασία παρουσιάζεται η διαδικασία σχεδίασης επίσης αρχιτεκτονικής συνελικτικού νευρωνικού δικτύου, με σκοπό την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων. Για το σκοπό αυτό αξιοποιήθηκε η πολύ διαδεδομένη βάση δεδομένων Ninapro, η οποία περιέχει καταγραφές ηλεκτρομυϊκών σημάτων από 52 διαφορετικές κινήσεις του χεριού. Στη συνέχεια, θέλοντας να συνεισφέρουμε στην προσπάθεια συλλογής περισσότερων ηλεκτρομυϊκών σημάτων, το οποίο αποτελεί καθοριστικό παράγοντα για την απόδοση του Deep Learning, αναπτύξαμε τη δική επίσης βάση δεδομένων επιφανειακών ηλεκτρομυϊκών σημάτων, τη MyoUP. Για επίσης καταγραφές χρησιμοποιήθηκε η εύχρηστη συσκευή Myo Armband. Στο παρόν σύγγραμμα παρουσιάζεται όχι μόνο η διαδικασία ανάπτυξης επίσης βάσης επίσης αλλά και τα αποτελέσματα σύγκρισης επίσης ποιότητας των δεδομένων επίσης με επίσης καταγραφές του 5ου dataset επίσης βάσης δεδομένων Ninapro, καθώς και αυτό το dataset δημιουργήθηκε με τη βοήθεια του Myo Armband. Τέλος, παρουσιάζεται η ανάπτυξη επίσης λογισμικού αναγνώρισης κινήσεων του χεριού σε πραγματικό χρόνο. Στο λογισμικό αυτό αξιοποιήθηκε το νευρωνικό δίκτυο που σχεδιάστηκε στα πλαίσια επίσης διπλωματικής, το οποίο και εκπαιδεύτηκε με τα δεδομένα επίσης βάσης δεδομένων MyoUP. Η εκπαίδευση του νευρωνικού δικτύου έλαβε χώρα σε έναν απομακρυσμένο server μεγάλης υπολογιστικής ισχύος, ενώ ο απαραίτητος κώδικας γράφτηκε στη γλώσσα προγραμματισμού Python. Επίσης, η εφαρμογή αναγνώρισης των κινήσεων του χεριού σε πραγματικό χρόνο αναπτύχθηκε σε Python ενώ η επεξεργασία των σημάτων έγινε με το πρόγραμμα MATLAB. | el |
| dc.description.translatedabstract | In the past few years, a great interest for the classification of hand gestures with Deep Learning methods based on surface electromyography signals (sEMG) has been developed in the scientific community. In our research, a novel and reliable convolutional neural network architecture was designed for classifying hand gestures via sEMG signals. For this purpose, the very well-known Ninapro database was used, which contains sEMG recordings from 52 different hand gestures. Additionally, we constructed our very own sEMG database, MyoUP, using the Myo Armband recording device. Our data was compared with the recordings from the 5th dataset of the Ninapro database, which was also developed with the help of a Myo Armband. Finally, a real-time hand gesture recognition software was developed, by training our neural network architecture with the data from the MyoUP database. The training of the network took place on a server with considerable computational power while the code was developed with the Python programming language and the TensorFlow framework. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/12584 | |
| dc.language.iso | gr | el |
| dc.rights | 0 | el |
| dc.subject | Επιφανειακή ηλεκτρομυογραφία | el |
| dc.subject | Ταξινόμηση | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject.alternative | sEMG | el |
| dc.subject.alternative | Classification | el |
| dc.subject.alternative | Deep learning | el |
| dc.subject.alternative | Neural networks | el |
| dc.subject.alternative | Machine learning | el |
| dc.subject.ddc | 612.76 | el |
| dc.title | Αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυϊκών σημάτων με τεχνικές deep learning | el |
| dc.title.alternative | Hand gesture recognition via surface electromyography signals with deep learning | el |
| dc.type | Thesis | el |