Μυοηλεκτρικός έλεγχος σε περιβάλλον εικονικής πραγματικότητας
| datacite.contributor.RelatedPerson | Μουστάκας Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Σγάρμπας Κυριάκος | |
| datacite.contributor.Supervisor | Σκόδρας Αθανάσιος | |
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Γραμματικάκη, Αγγελική | |
| dc.contributor.other | Grammatikaki, Angeliki | |
| dc.date.accessioned | 2022-07-11T07:21:03Z | |
| dc.date.available | 2022-07-11T07:21:03Z | |
| dc.date.copyright | 2022-07-08 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Η παρούσα διπλωματική εργασία ασχολείται αρχικά με την ανάπτυξη ενός Συνελικτικού Νευρωνικού Δικτύου για την αναγνώριση κινήσεων του χεριού μέσω επιφανειακών ηλεκτρομυογραφημάτων. Επίσης επικεντρώνεται στην ανάπτυξη μίας εφαρμογής σε περιβάλλον Εικονικής Πραγματικότητας στην οποία σκοπός του χρήστη είναι να κερδίσει κάνοντας την σωστή χειρονομία ανάλογα με το αντικείμενο που πρέπει να πιάσει κάθε φορά. Αρχικά, γίνεται αναφορά στην βασική θεωρία γύρω από τα ηλεκτρομυογραφήματα. Πιο συγκεκριμένα, περιγράφονται τα χαρακτηριστικά τους, ο τρόπος δημιουργίας τους καθώς και η διαδικασία για την καταγραφή τους. Στην συνέχεια γίνεται μία αναφορά στην Μηχανική Μάθηση, τα είδη της, την Βαθιά Μάθηση και τα Νευρωνικά Δίκτυα. Έπειτα αναφερόμαστε στην βάση δεδομένων για επιφανειακά ηλεκτρομυογραφή- ματα που χρησιμοποιούμε στην παρούσα διπλωματική εργασία. Για τις ανάγκες της εργασίας χρησιμοποιήθηκε η βάση δεδομένων DB1 της Ninapro. Περιγράφονται οι τεχνικές επεξεργασίας που πραγματοποιήθηκαν, όπως φιλτράρισμα, κανονικοποίηση του πλάτους και δημιουργία sEMG εικόνας, ώστε να φέρουμε τα δεδομένα στην επιθυμητή μορφή. Ακολουθούν δύο κεφάλαια με τα πειραματικά στάδια της εργασίας. Στο πρώτο περιγράφεται ο τρόπος δημιουργίας των νευρωνικών δικτύων, η διαδικασία επιλογής των τιμών των υπερπαραμέτρων, αλλά και τα αποτελέσματα της ταξινόμησης των κινήσεων την βάση δεδομένων DB1 της Ninapro. Στο δεύτερο, γίνεται αναφορά στο περιβραχιόνιο MindRove, το οποίο χρησιμο- ποιούμε για να συλλέγουμε τις τιμές των επιφανειακών ηλεκτρομυογραφημάτων. Επίσης, ασχολούμαστε με την κατασκευή της εφαρμογής Εικονικής Πραγματικότητας σε περιβάλλον Unity όπου πρέπει να αναγνωρίζονται οι κινήσεις από το περιβραχιόνιο MindRove, να αυξάνεται το score κάθε φορά που ο χρήστης κάνει την σωστή κίνηση, αφού επίσης μεταφερθεί το κατάλληλο αντικείμενο στην σωστή θέση επί σκηνής. Τέλος, γίνεται μια σύνοψη των συμπερασμάτων που προέκυψαν από αυτή την εργασία και παρουσιάζονται ορισμένες πιθανές μελλοντικές τροποποιήσεις και ιδέες προς διερεύνηση. | el |
| dc.description.translatedabstract | This MSc thesis deals initially with the development of a Convolutional Neural Network for the recognition of hand movements through surface electromuscular signals. It also focuses on developing an application in a Virtual Reality environment in which the user's goal is to win by making the right gesture depending on the object he has to grab each time. At first, reference is made to the basic theory of surface electromuscular signals. More specifically, their characteristics, the stage of their creation as well as the way of recording them are described. A reference is also made to Machine Learning, its types, Deep Learning and Neural Networks. Then we refer to the database for surface electromyography signals that we use in this thesis. Ninapro DB1 database was used for this work. We describe the processing techniques that we perform, such as filtering, normalization and sEMG image creation, to bring the image to the desired format. We follow up with two chapters with the experimental stages of the work. The first step describes how to create the neural networks, the process of selecting the values of the hyperparameters, but also the results of the classification of the movements in the DB1 database of Ninapro. In the second stage, reference is made to the MindRove armband, which we use to collect surface electromyography signal values. Also, we deal with the construction of the Virtual Reality application in Unity where the movements must be recognized by MindRove, to increase the score every time the user makes the right move, after some action is performed in the scene. Finally, we summarize conclusions from this work and discuss certain concepts and modifications that can be further explored. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/16447 | |
| dc.language.iso | gr | el |
| dc.subject | Μυοηλεκτρικός έλεγχος | el |
| dc.subject | Ηλεκτρομυογραφήματα | el |
| dc.subject | Εικονική πραγματικότητα | el |
| dc.subject | Περιβραχιόνια | el |
| dc.subject | Επιφανειακά ηλεκτρομυογραφήματα | el |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject.alternative | Myoelectric control | el |
| dc.subject.alternative | Electromyography | el |
| dc.subject.alternative | Deep learning | el |
| dc.subject.alternative | NinaPro | el |
| dc.subject.alternative | Neural networks | el |
| dc.subject.alternative | Convolutional neural networks | el |
| dc.subject.alternative | Virtual reality | el |
| dc.subject.alternative | sEMG | el |
| dc.subject.alternative | Surface electromyography | el |
| dc.subject.alternative | MindRove Armband | el |
| dc.title | Μυοηλεκτρικός έλεγχος σε περιβάλλον εικονικής πραγματικότητας | el |
| dc.title.alternative | Myoelectric control in a virtual reality environment | el |
| oaire.licenseCondition | null | el |