Por favor, use este identificador para citar o enlazar este ítem:
http://bibdigital.epn.edu.ec/handle/15000/19598
Título: | Reconocimiento de gestos de la mano en tiempo real usando señales electromiográficas y redes neuronales artificiales |
Autor: | Motoche Macas, Cristhian Alberto |
Palabras clave: | APRENDIZAJE DE MÁQUINA PROCESAMIENTO DE SEÑALES REDES NEURONALES ARTIFICIALES |
Fecha de publicación: | 26-jul-2018 |
Editorial: | Quito, 2018. |
Citación: | Motoche Macas, C. A. (2018). Reconocimiento de gestos de la mano en tiempo real usando señales electromiográficas y redes neuronales artificiales. 37 hojas. Quito : EPN. |
Resumen: | In this paper, a hand gesture recognition model based on superficial electromyographic signals is proposed. The proposed model is composed of five blocks: data acquisition, preprocessing, feature extraction, classification and postprocessing. For data acquisition, a sliding window approach is applied (using a main window and a sub-window), and the Myo Armband is used to measure the superficial electromyographic signal of the forearm. For preprocessing, a function for rectification, filtering and muscle activity detection is applied to the signal seen through the main window observation. For feature extraction, a feature vector is generated using the preprocessed signal values and the results from the application of a bag of functions. For classification, a feedforward neuronal network is used to classify every segment of the signal seen through a sub-window. Finally, for postprocessing a simple majority voting, based on the labels from the sub-window observations, is applied to assign the corresponding label to the signal seen through the main window. The model responds at an average of 29.38 ms (real time) with a recognition accuracy of 90.7%, which higher than the rate stablished in the state-of-the-art. |
Descripción: | En el presente trabajo, se propone un modelo de reconocimiento de gestos de la mano humana basado en señales electromiográficas superficiales. El modelo propuesto está compuesto de cinco bloques: adquisición de datos, preprocesamiento, extracción de características, clasificación y postprocesamiento. Para la adquisición de datos, se aplica el enfoque de ventana deslizante (empleando una ventana y una sub-ventana) y se utiliza el dispositivo Myo Armband para medir la señal electromiográfica superficial del antebrazo. Para el preprocesamiento, se aplica rectificación, filtrado, y detección de la actividad muscular a la señal observada a través de la ventana principal. Para la extracción de características, se genera un vector de características utilizando los valores de la señal preprocesada y los resultados de la aplicación de un conjunto de funciones. Para clasificación, se utiliza una red neuronal feedforward para etiquetar a cada segmento de la señal electromiográfica vista a través de una sub-ventana. Finalmente, para el postprocesamiento se aplica una votación por mayoría simple para asignar la etiqueta correspondiente a la observación de la ventana principal. El modelo propuesto responde en un promedio de 29.38 ms (tiempo real) y con una exactitud de reconocimiento de 90.7%, que es superior a la tasa definida estado del arte. |
URI: | http://bibdigital.epn.edu.ec/handle/15000/19598 |
Tipo: | bachelorThesis |
Aparece en las colecciones: | Tesis Sistemas Informáticos y de Computación (ISIS) |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
CD-8996.pdf | 1,74 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.