عنوان

تشخیص حرکات دست با استفاده از سنسورهای الکترومایوگرافی سطحی

IR

۳۷۴۳پ

فارسی

IR

تشخیص حرکات دست با استفاده از سنسورهای الکترومایوگرافی سطحی

[پایان‌نامه]

Hand Gestures Recognition with Surface Electromyography Sensors

/سارا عسکری

: مهندسی پزشکی

، ۱۳۹۸

۱۲۱ص.

:

زبان: فارسی

زبان چکیده: فارسی

چاپی - الکترونیکی

مصور، جدول، نمودار

کارشناسی ارشد

مهندسی پزشکی- بیوالکتریک

۱۳۹۸/۰۶/۰۱

صنعتی سهند

طبقه بندی حرکت همواره مورد علاقه محققان رابط انسان و ماشین بوده و دلیل آن این است که انسانها برای برقراری ارتباط با یکدیگر از حرکات دست استفاده می کنند .حرکات را می توان به چند روش جمع آوری و دیجیتال ساخت، مانند دوربین ها و سنسورهای SEMG و . IMU در حالی که استفاده از روش های مبتنی بر دوربین ممکن است مناسب تر به نظر برسد، اما باید در نظر داشت که این روش ها همواره امکان پذیر نیستند، مخصوصا زمانی که نیاز به محیطی از پیش آماده شده باشد ( مانند محیطی با نور مناسب .)در سال های اخیر، تکنیک های تشخیص حرکت با SEMG و IMU پوشیدنی برای طبقه بندی حرکت دست مورد توجه قرار گرفتند .در حالی که انواع مختلفی از حرکات دست وجود دارد، زبان های اشاره جز ساختاریافته ترین حرکات هستند و تشخیص زبان های اشاره چنان تحت تاثیر روش های تشخیص حرکات دست است که این دو موضوع را نمی توان از یکدیگر جدا ساخت این پایان نامه در ابتدا به ساخت سخت افزاری قابل حمل و ارزان برای ثبت سیگنال های SEMG و IMU می پردازد .به منظور ارزان بودن سخت افزار، از آردینو DUE و شیلد الیمکس برای ثبت سیگنال های SEMG وMPU ۶۰۵۰ برای ثبت تغییرات شتاب سنج و ژیروسکوپ استفاده شد .داده های ثبت شده شامل ۲۰ حرف زبان اشارهی فارسی از ده داوطلب هستند .هیچ یک از داوطلبان با زبان اشاره فارسی آشنا نبودند، بنابراین داوطلبان ویدیویی با فواصل زمانی مشخص را تکرار کردند .مجموعه داده اول پایگاه داده NINAPRO که یک پایگاه داده استاندارد در زمینهی تشخیص حرکت است به عنوان داده ی دیگری در این پایان نامه انتخاب شد .بعد از استخراج ویژگی های حوزهی زمان، از تجزیه و تحلیل مولفه های اصلی برای به دست آوردن ویژگی های ناهمبسته استفاده شد .برای نزدیک تر شدن به هدف تشخیص حرکت، این پایان نامه، عملکرد چهار روش یادگیری ماشین مختلف را که شامل KNN، SVM ، LDA و DT هستند را با ویژگی های مختلف برای تشخیص ۲۰ حرکت زبان اشارهی فارسی را با یکدیگر مقایسه می کند .در مجموع، نتایج این تحقیق با صحت ۸۲۰۸۲ نشان می دهد که سخت افزار ساخته شده می تواند برای تشخیص زبان اشاره به کار رود .

Classication of human movement is a large eld of interest to Human-Machine Interface researchers. The reason for this lies in the large emphasis humans place on gestures while communicating with each other and while interacting with machines. Such gestures can be digitized in several ways, including both camera methods and sensor-based methods. While camera methods might be the ideal, they are not always feasible, especially when dealing in unstructured environments (e.g. bad lighting). Instead, wearable sensors (including sEMG and IMU) have gained interest as a method of gesture classication, especially in the hand recognition. While there are dierent types of hand gestures, sign language is the most structured form, because every movement has a meaning. In this thesis, a portable and inexpensive hardware was built to record sEMG and IMU data. To make the hardware inexpensive, Arduino due, Olimex shield and MPU6050wereused. 20Persiansignlanguageswererecordedoftenvolunteersbythe hardware. The volunteers werent familiar with the Persian sign language, so signs were repeated in dened time gaps by them. Dataset 1 of NINAPRO benchmarking database was used as the second data set for the algorithm. After feature extraction, PrincipalComponentAnalysis(PCA)wasappliedtoobtainuncorrelatedfeatures. To move a step closer to gesture recognition, this thesis compares four dierent machine learning tools, which include KNN, LDA, SVM and DT and dierent features for detecting 20 Persian sign languages. In conclusion, the results of this study with 82.82percentaccuracyshowthatthedesignedhardwarecanbeusedforsighlanguage recognition systems.

ba

Hand Gestures Recognition with Surface Electromyography Sensors

تشخصی وضعیت و حرکت دست

زبان اشاره فارسی

IMU

EMG

Hand gesture recognition, Persian sign language, sEMG, IMU

تشخیص وضعیت و حرکت دست ، زبان اشاره فارسی، EMG, IMU

عسکری، سارا

شامخی، سینا، استاد راهنما

ایران

20230617

پزشکی.م ،۱۰۰۲۶ ،۱۳۹۸

ی‌حطس‍ ی‌فارگویامورتکلا ی‌اهروسنس‍ زا ه‌دافتسا اب‍ ت‌سد ت‌اکرح‍ ص‌یخشت‍.pdf

عادی

عادی

3743.pdf

pm10026.pdf

0

ایمانی

متن

0

پ۳۷۴۳

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y