عنوان

تشخیص زبان اشاره فارسی بر پایه روش‌های زمان - فرکانسی

Country Code

IR

Number

۴۶۲۲پ

.Language of Text, Soundtrack etc

فارسی

Country of publication

IR

Title Proper

تشخیص زبان اشاره فارسی بر پایه روش‌های زمان - فرکانسی

General Material Designation

[پایان‌نامه]

Parallel Title Proper

Persian Sign Language Recognition Based on Time-Frequency Methods

First Statement of Responsibility

/مسعود مرادی

Name of Publisher, Distributor, etc.

: مهندسی پزشکی

Date of Publication, Distribution, etc.

، ۱۴۰۱

Specific Material Designation and Extent of Item

۹۱ص.

Other Physical Details

:

Text of Note

زبان: فارسی

Text of Note

زبان چکیده: فارسی

Text of Note

چاپی - الکترونیکی

Text of Note

مصور، جدول، نمودار

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۴۰۱/۰۶/۰۱

Body granting the degree

صنعتی سهند

Text of Note

زبان اشاره به طور کلی برای برقراری ارتباط با افراد ناشنوا استفاده می‌شود .اکثر مردم قادر به درک زبان اشاره نیستند و به دلیل عدم آگاهی از این زبان، برقراری ارتباط با افراد ناشنوا، برای آن‌ها بسیار دشوار است .در سال‌های اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهشگران قرار گرفته است .اما مشکلاتی مانند پایین بودن صحت پردازش و سرعت انجام محاسبات و هزینه زیاد ابزار مانع پیشبرد تجاری‌سازی تحقیقات شده است .دیگر چالش موجود در ساخت نمونه‌ی کاربردی این ابزار، لزوم صحت خوب روش‌ها در دیدگاه آموزش به روش کنارگذاشتن یک نفر است .به این معنی که روش پیشنهادی باید در طبقه‌بندی داده‌های یک فرد جدید عملکرد خوبی داشته باشد .از این‌رو در این تحقیق روشی کارآمد برای تشخیص حرکات دست با هدف ترجمه زبان اشاره ارائه شده است تا بتوان ضمن بکارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روش‌های آموزش به‌دست آورد .در روش پیشنهادی، ویژگی‌های مقدار میانگین قدرمطلق، واریانس، ریشه میانگین مربعات، طول شکل موج، کشیدگی و چولگی از تبدیل موجک تجربی سیگنال‌های الکترومایوگرام و اینرسی استخراج گردیده است .سپس با بکارگیری روش کاهش بعدReliefF ، ویژگی‌ها موثر برای طبقه‌بندی حرکات دست با طبقه‌بند ماشین بردار پشتیبان با هسته تابع پایه شعاعی انتخاب و درصدهای صحت روش-پیشنهادی روی پایگاه داده‌ی PSL و مجموعه‌هایDB ۲،DB ۳،DB ۵ وDB ۷ از پایگاه داده نیناپرو به‌ترتیب در دیدگاه کلمه-فرد برابر ۹۹/۳۱ ، ۹۷/۱۱ ، ۹۶/۵۸ ، ۹۶/۱۲ و ۹۷/۳۲ ، در دیدگاه کلمه-همه‌افراد برابر ۹۹/۷۸ ، ۹۷/۲۲ ، ۹۵/۴۶ ، ۹۷/۲۳ و ۹۷/۷۲ و در دیدگاه کنارگذاشتن یک فرد برابر ۹۷/۴۳ ، ۹۴/۶۸ ، ۸۹/۶۶ ، ۹۱/۵۵ و ۹۴/۸۱ به‌دست آمده است .مقایسه با تحقیقات پیشین نشان از صحت بالاتر روش پیشنهادی دارد .ضمنا صحت خوب روش پیشنهادی در تمام پایگاه‌های داده به ویژه در روش آموزش با کنارگذاشتن یک فرد، امکان بکارگیری روش پیشنهادی در کاربردهای تجاری را فراهم می‌آورد .

Text of Note

In recent years, the fabrication of devices that can facilitate the difficulty of communication between deaf people and the general public and translate sign language has attracted interest from researchers. But problems such as low processing accuracy and calculation speed the high cost of tools have hindered the progress of commercialization of research. Another challenge in making a practical example of this tool is the necessity of good accuracy of the methods in the perspective of training by leave-one-subject-out. It means that the proposed method should perform well in classifying the data of a new person. Therefore, in this article, an efficient method for detecting hand gestures with the purpose of sign language translation has been presented, so that while using a method with lower dimensions, better performance can be obtained in all kinds of training methods. In the proposed method, the features consisting of the mean absolute value, variance, root mean square, waveform length, kurtosis, and skewness have been extracted from the empirical wavelet transformation of the electromyogram and inertial signals. Then, by applying the ReliefF dimension reduction method, effective features have been selected for the classification of hand gestures by a support vector machine classifier. The accuracy percentages of the proposed method on the PSL database and DB2, DB3, DB5, and DB7 datasets of the NinaPro database, have been respectively obtained as follows: 99.31 , 97.11 , 96.58 , 96.12 , and 97.32 in the word-subject training approach, 99.78 , 97.22 , 95.46 , 97.23 , and 97.72 in the word-all-subject training approach, and 97.43 , 94.68 , 89.66 , 91.55 , and 94.81 in the leave-one-subject-out method. Comparison with previous research reveals the higher accuracy of the proposed method. In addition, the high accuracy of the proposed method in all databases, especially in the leave-one-subject-out training approach, provides the possibility of using the proposed method in commercial applications.

ba

Parallel Title

Persian Sign Language Recognition Based on Time-Frequency Methods

زبان اشاره فارسی

تشخیص حرکات دست

تبدیلات زمان-فرکانس

تبدیل موجک تجربی

انتخاب ویژگی

Subject Term

Persian sign language, Hand gesture, Time-frequency transformation, Empirical wavelet transform, Feature selection

Subject Term

زبان اشاره فارسی، تشخیص حرکات دست، تبدیلات زمان-فرکانس، تبدیل موجک تجربی، انتخاب ویژگی .

مرادی، مسعود

شامخی، سینا، استاد راهنما

Country

ایران

Date of Transaction

20230617

Call Number

پزشکی.م ،۱۰۰۶۹ ،۱۴۰۱

Host name

ن‌امز ی‌اهش‌ور ه‌یاپ‍ رب‍ ی‌سراف‍ ه‌راشا ن‌ابز ص‌یخشت‍ - ی‌سناکرف‍.pdf

Access number

عادی

Compression information

عادی

Date and Hour of Consultation and Access

4273.pdf

Date and Hour of Consultation and Access

pm10069.pdf

Bits per second

0

Contact for access assistance

ایمانی

Electronic Format Type

متن

File size

0

Record control number

پ۴۶۲۲

Public note

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y