Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/20242
Title: Reconocimiento de gestos de la mano en tiempo real basado en señales electromiográficas utilizando Myo Armband con wavelets y máquinas de vectores de soporte
Authors: Unapanta Benavides, Luis Daniel
Keywords: APRENDIZAJE MÁQUINA
RECONOCIMIENTO DE PATRONES
FISIOLOGÍA
MÁQUINAS
VECTORES
Issue Date: 28-May-2019
Publisher: Quito, 2019.
Citation: Unapanta Benavides, L. D. (2019). Reconocimiento de gestos de la mano en tiempo real basado en señales electromiográficas utilizando Myo Armband con wavelets y máquinas de vectores de soporte. 47 hojas. Quito : EPN.
Abstract: In this research work, a hand gesture recognition model is proposed. The proposed model uses electromyography signals (EMG) in the transient state of the forearm. The proposed model is able to recognize 5 hand gestures of short duration: wave in, wave out, fist, fingers spread, and double tap, also the gesture of relaxation. The proposed model is composed of 5 stages: data acquisition, pre-processing, feature extraction, classification, and post-processing. The commercial device Myo Armband is used for the acquisition of EMG signals, rectification and filtering on the EMG signal in the pre-processing, Wavelet analysis is used with a mother wavelet of the Daubechies family for the feature extraction, SVM multi-class with a one-to-one approach is used in the classification, and finally, a change of state of one-step is applied in the post-processing. The model is trained individually for each user and requires 10 repetitions of each hand gesture, including the gesture of relaxation. The proposed model reaches an accuracy of 87.5 after adjusting the parameters: family and order of the mother wavelet, SVM kernel, the size of the processing window, and the number of classifications per window. The proposed model works in real time on an environment of high computational resources with an average time response of 258 ms.
Description: En el presente trabajo de investigación, se propone un modelo de reconocimiento de gestos de la mano. El modelo propuesto utiliza las señales electromiográficas (EMG) en estado transitorio tomadas del antebrazo. El modelo propuesto es capaz de reconocer 5 gestos de corta duración: wave in, wave out, fist, fingers spread, y double tap, y todo lo que no se reconoce dentro de los 5 gestos se determina como gesto de relajación (sin gesto). El modelo se compone de 5 etapas: adquisición de datos, pre-procesamiento, extracción de características, clasificación, y post-procesamiento. Para la adquisición de señales EMG, se usa el dispositivo comercial Myo Armband; en el pre-procesamiento se aplica rectificación y filtrado sobre la señal EMG; para la extracción de características, se usa un análisis wavelet utilizando una wavelet madre de la familia Daubechies; en la clasificación se usa SVM multi-clase con un enfoque de uno contra uno; y finalmente en el post-procesamiento se aplica un cambio de estado de un solo paso. El modelo se entrena individualmente para cada usuario y requiere 10 repeticiones de cada gesto de la mano, incluido el gesto de relajación. El modelo propuesto alcanza una exactitud de 87.5%, luego de ajustar los parámetros: familia y orden de la wavelet madre, kernel del SVM, el tamaño de la ventana de procesamiento, y el número de clasificaciones por ventana. El modelo propuesto funciona en tiempo real sobre un ambiente de altos recursos computacionales con una respuesta de tiempo promedio de 258 ms.
URI: http://bibdigital.epn.edu.ec/handle/15000/20242
Appears in Collections:Tesis Sistemas Informáticos y de Computación (ISIS)

Files in This Item:
File Description SizeFormat 
CD 9704.pdf1,53 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.