Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real.

Muñoz Oña, José Miguel

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/23346

Título:	Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real.
Autor:	Muñoz Oña, José Miguel
Palabras clave:	SOFTWARE APRENDIZAJE DE MÁQUINA CUATERNIÓN ELECTROMIOGRAFÍA REDES NEURONALES ARTIFICIALES
Fecha de publicación:	oct-2022
Editorial:	Quito : EPN, 2022.
Citación:	Muñoz Oña, J.M.(2022).Diseño y aplicación de un modelo de reconocimiento de 11 gestos de la mano usando señales EMG y Deep Learning: diseño de un modelo de reconocimiento de 11 gestos de la mano que funcione en tiempo real. 55 páginas. Quito : EPN.
Resumen:	Many software products and applications use machine learning models to deliver valuable functions to end users. Despite of the development efforts, many projects fail due to issues on deployment to production, model reproducibility, and technical debt. In this work, a hand gesture recognition system was developed for 11 gestures, using CNN-LSTM artificial neural networks, and guided by CRISP-ML(Q) process model to introduce software engineering practices into machine learning projects. The system uses electromyographic (EMG) and quaternion (inertial measurement unit) signals as input to compute a gesture label and the time of occurrence in the signal. The system is connected to an application that uses hand gestures. This document records the data description, collection, cleaning, and selection processes up until the system evaluation and deployment, where a classification accuracy of 55.33% ± 18.45% and a recognition accuracy of 49.15% ± 18.41% were computed, with a response time of 29.26 ± 19.82 [ms].
Descripción:	En la actualidad, muchas aplicaciones y productos de software utilizan modelos de aprendizaje de máquina para entregar funcionalidades valiosas a los usuarios finales. Sin embargo, muchos de estos proyectos fracasan por problemas relacionados con la salida a entornos de producción, la reproductibilidad de modelos y la deuda técnica. En el presente trabajo, se desarrolló un sistema de reconocimiento para once gestos de la mano utilizando redes neuronales artificiales CNN-LSTM guiado por el modelo de proceso CRISP-ML(Q) con el fin de introducir prácticas de la ingeniería de software a un proyecto de aprendizaje de máquina. El sistema toma como entrada señales electromiográficas (EMG) y de cuaterniones (como unidad de medición inercial) para determinar la etiqueta y el instante de tiempo de ocurrencia del gesto en la señal y se conecta con una aplicación que utiliza los gestos. El documento describe desde el detalle de las señales de entrada, el proceso de recolección, limpieza, selección y construcción de datos, hasta la evaluación y despliegue del sistema, en el cual se determinó una exactitud de clasificación del 55.33% ± 18.45% y una exactitud de reconocimiento del 49.15% ± 18.41%, con un tiempo de respuesta de 29.26 ± 19.82 [ms].
URI:	http://bibdigital.epn.edu.ec/handle/15000/23346
Tipo:	bachelorThesis
Aparece en las colecciones:	TIC - Software

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 12762.pdf		2,13 MB	Adobe PDF	Visualizar/Abrir

Muestra el registro Dublin Core completo del ítem

BIBDIGITAL