Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Joanna Piwko

Rozpoznawanie ruchów głowy na podstawie sygnałów z czujników inercyjnych z zastosowaniem metod inteligencji obliczeniowej


Recognition of Head gestures from intertial sensor measurements with the use of computational intelligence methods


Opiekun pracy dyplomowej: prof. dr hab. inż. Paweł Strumiłło
Dodatkowy opiekun pracy dyplomowej: mgr inż. Anna Borowska-Terka

Praca dyplomowa inżynierska obroniona 2018-02-14
Streszczenie pracy dyplomowej:
Celem pracy było zbadanie zastosowania algorytmów uczenia maszynowego do rozpoznania ruchów głowy. Wyniki otrzymane w wyniku zastosowania tych algorytmów mogą zostać zastosowane do interfejsów człowiek-komputer w celu wsparcia osób niepełnosprawnych. W pracy opisano budowę i zasadę działania pierwszych interfejsów człowiekkomputer oraz aspekty jakie trzeba rozważyć przy konstrukcji takiego interfejsu oraz omówiono obszary ich zastosowań, w szczególności dla osób niepełnosprawnych. Podano również przykłady interfejsów rozpoznających gesty głowy wraz z ich zastosowaniem. Sygnały wykorzystane w pracy zostały zarejestrowane za pomocą urządzenia DUO MLX, które posiada akcelerometr i żyroskop. Sygnałami tymi były przyśpieszenie liniowe i prędkość kątowa zarejestrowane w 3 kierunkach. Dla tych sygnałów wyliczono 36 parametrów, które stanowiły wektor uczący dla badanych algorytmów uczenia maszynowego. Uczestnicy badania wykonywali ruchy głową według schematów. Algorytmami uczenia maszynowego które zastosowano do klasyfikacji ruchów głowy były drzewa decyzyjne, lasy losowe oraz metoda k-najbliższych sąsiadów. Algorytmy te dokonują klasyfikacji na podstawie zebranego wcześniej zbioru danych treningowych. Badane algorytmy miały dużą dokładność przekraczającą 90%. Najlepsze wyniki uzyskano dla metody k-najbliższych sąsiadów, dla której uzyskana dokładność wynosiła powyżej 95%. Równie dobre wyniki otrzymano dla lasów losowych. Spostrzeżenia zawarte w pracy, dotyczące każdego rodzaju ruchu mogą być przydatne przy budowaniu interfejsu człowiek-komputer dla osób niepełnosprawnych Słowa kluczowe: Uczenie maszynowe, Interfejsy człowiek-komputer, Rozpoznawanie gestów, Czujniki inercyjne.
Abstract:
The aim of the study is to apply machine learning algorithms to recognize head movements. Results obtained by using these algorithms can be used to build human-computer interfaces, which can support disabled people. First designs of human-computer interfaces are described, their structure and aspects, which should be considered during building such interfaces. Examples of interfaces for head gesture recognition were discussed also. Finally, applications of such interfaces for disabled people were outlined. Signals used in this study were registered by DUO MLX device, which is equipped with an accelerometer and a gyroscope. These signals are linear accelerations and angular velocities in three axis. Participants made different head movements (yaw, pitch and roll) according to predefined protocol. There were calculated 36 features calculated for recorded signals, that are training vectors for tested machine learning algorithms. Machine learning algorithms for classification used in this study were decision trees, random forests and k-nearest neighbours method, for classification head movements. Classification based on these algorithms used training data collected from the 8 subjects. All these algorithms achieved accuracy above 90%. The best results were obtained for k-nearest neighbours method whose accuracy achieved 95%. Also goods results were obtained for the random forest method. Observations contained in this study about every kind of movement, can be useful in creating human-computer interface for people with disabilities. Keywords: Machine learning, human-computer interfaces, Gesture recognition, Inertial sensors.