Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/22833
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorZea Guachamín, Jonathan Alejandro-
dc.date.accessioned2022-08-08T14:28:42Z-
dc.date.available2022-08-08T14:28:42Z-
dc.date.issued2022-06-
dc.identifier.citationZea Guachamín, J.A. (2022). Design and implementation of an agent using reinforcement learning to the operation of a myoelectric prosthesis using EMG signals. 67 páginas. Quito : EPN.es_ES
dc.identifier.otherT-MVE/0967/CD 12295-
dc.identifier.urihttp://bibdigital.epn.edu.ec/handle/15000/22833-
dc.descriptionEn este trabajo se propone realizar un modelo de recomendación grupal y se demuestra que usando datos sintéticos se mantiene la protección de los datos en sistemas de recomendación para grupos. Para ello se usaron 2 enfoques para la generación de los datos sintéticos, y así poder ocultar la información privada de los usuarios del grupo. El primer enfoque que fue usado es el de ≪privacidad diferencial≫ el cual usa un modelo de red bayesiana que combina distribuciones de baja dimensión para aproximarse a la distribución de dimensión completa de un conjunto de datos. El segundo enfoque utilizado fue el método de ≪CART≫ el cual usa modelos secuenciales y aplica una transformación a los datos originales de tal forma que se cambian solo algunos valores. Los resultados con los datos sintéticos de ambos enfoques son bastante prometedores y se comprueba que manipulan información menos especifica acerca de las preferencias de los usuarios en el grupo. Nuestro trabajo también muestra que existe viabilidad para poder garantizar privacidad de los datos sin una perdida significativa de precisión en la recomendación grupal.es_ES
dc.description.abstractIn the world exists approximately 65 million amputees, 38.7% of which correspond to upper limb amputations, and most of them are found in developing countries. This leads to the necessity of an affordable, easy-to-made hand prosthesis to alleviate these people situation. This project proposes the use of reinforcement learning to train an agent for the operation of a myoelectric prosthesis. A prosthesis prototype with flexible materials was built from an open-source model chosen from the literature. The prothesis was modified and built as a low-cost 3D printed prototype with 4 degrees of freedom, 1 for each finger but the little. A commercial electromyography sensor is used, and just during evaluation a glove with flexion sensors. The training of the agent that operates the prosthesis was divided in two stages, simulation and fine-tuning. For this matter, a simplified model of the prosthesis dynamics was implemented for simulation. Simulation training allowed fast proof of concept testing and hyperparameters selection. Fine-tuning was necessary to adapt the agent to the real hardware. Three approaches for the reward function were considered, the best results were obtained with the combination of 2 of them: the distance to the target, and a discrete reward depending on the selected action by the agent. The performance of the prosthesis was measured using the success rate of the grasp and release tasks obtaining an 86%. From this, we conclude that this research was a successful first step towards achieving a fully functional myoelectric hand prosthesises_ES
dc.description.sponsorshipBenalcázar, Marco E., director.es_ES
dc.language.isospaes_ES
dc.publisherQuito : EPN, 2022es_ES
dc.rightsopenAccesses_ES
dc.subjectINTELIGENCIA ARTIFICIALes_ES
dc.subjectPRÓTESIS MIOELÉCTRICAes_ES
dc.subjectOPERACIÓN DE PRÓTESISes_ES
dc.subjectDEEP Q-LEARNINGes_ES
dc.titleDesign and implementation of an agent using reinforcement learning to the operation of a myoelectric prosthesis using EMG signals.es_ES
dc.typebachelorThesises_ES
Aparece en las colecciones:Tesis Maestría en Ciencias de la Computación y Comercio Electrónico (FIS)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD 12295.pdf5,48 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.