Αναγνώριση προτύπων πολυκάναλου ΗΜΓ με χρήση βαθιάς μάθησης

Περίληψη

Τα τελευταία χρόνια, ένα τεράστιο σύνολο δεδομένων που παράγονται από διάφορες εφαρμογές σε τομείς όπως τα κοινωνικά δίκτυα και η υγειονομική περίθαλψη έχουν ανοίξει το δρόμο για την ανάπτυξη μοντέλων μηχανικής μάθησης με υψηλή απόδοση. Η βαθιά μάθηση έχει μεταμορφώσει το πεδίο της ανάλυσης δεδομένων βελτιώνοντας δραματικά την ακρίβεια σε εφαρμογές ταξινόμησης και πρόβλεψης. Σε συνδυασμό με τις εξελίξεις στην ηλεκτρομυογραφία, συνέβαλε στην ανάπτυξη νέων εφαρμογών αναγνώρισης χειρονομιών και κινήσεων του χεριού, όπως διεπαφές ανθρώπου υπολογιστή, αναγνώριση νοηματικής γλώσσας, έλεγχο ρομποτικών συστημάτων και παιχνίδια φυσικής αποκατάστασης. Ο σκοπός αυτής της διατριβής είναι να αναπτύξει νέες μεθόδους για την ανάλυση των σημάτων ηλεκτρομυογραφίας με βάση τη βαθιά μάθηση για το πρόβλημα της αναγνώρισης χειρονομιών. Συγκεκριμένα, εστιάζουμε σε μεθόδους για την προετοιμασία δεδομένων και την ανάπτυξη μοντέλων υψηλής απόδοσης, ακόμη και όταν λίγα δεδομένα είναι διαθέσιμα. Τα σήματα ηλεκτρ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In recent years, a huge body of data generated by various applications in domains like social networks and healthcare have paved the way for the development of high performance models. Deep learning has transformed the field of data analysis by dramatically improving the state of the art in various classification and prediction tasks. Combined with advancements in electromyography it has given rise to new hand gesture recognition applications, such as human computer interfaces, sign language recognition, robotics control and rehabilitation games. The purpose of this thesis is to develop novel methods for electromyography signal analysis based on deep learning for the problem of hand gesture recognition. Specifically, we focus on methods for data preparation and developing accurate models even when few data are available. Electromyography signals are in general one-dimensional time-series with a rich frequency content. Various feature sets have been proposed in literature however due to ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/50736
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/50736
ND
50736
Εναλλακτικός τίτλος
Multi-channel EMG pattern classification based on deep learning
Συγγραφέας
Τσίγγανος, Παναγιώτης του Γεώργιος
Ημερομηνία
2021
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών
Εξεταστική επιτροπή
Σκόδρας Αθανάσιος
Μπερμπερίδης Κωνσταντίνος
Jansen Bart
Pecchia Leandro
Sanei Saeid
Cornelis Bruno
Cornelis Jan
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΒιοϊατρική Μηχανική ➨ Βιοϊατρική μηχανική
Λέξεις-κλειδιά
Ηλεκτρομυογραφία; Αναγνώριση κινήσεων χεριού; Βαθιά μάθηση; Συνελικτικά νευρωνικά δίκτυα; Επαύξηση δεδομένων; Μεταφορά μάθησης
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)