Export Ready — 

Classification of gestures with EMG

Bibliographic Details
Main Author: Silva, João Ricardo Ferreira dos Santos
Publication Date: 2018
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/86014
Summary: Dissertação de Mestrado Integrado em Engenharia Mecânica apresentada à Faculdade de Ciências e Tecnologia
id RCAP_ab166bccdc6ced6cb8c67ac6c4ce6e69
oai_identifier_str oai:estudogeral.uc.pt:10316/86014
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Classification of gestures with EMGClassificação de gestos a partir de dados EMGEMGFeaturesSegmentaçãoClassificaçãoEMGFeaturesSegmentationClassificationDissertação de Mestrado Integrado em Engenharia Mecânica apresentada à Faculdade de Ciências e TecnologiaEste trabalho tem como objetivo principal a deteção, reconhecimento e classificação de gestos através de dados recolhidos a partir de sensores de eletromiografia superficiais (sEMG). A performance dos sensores é avaliada através a recolha de dados com intenção da criação de uma base de dados offline. A implementação de features e o valor do threshold das mesmas é estudado tanto para a segmentação como para a classificação de gestos. Os melhores resultados obtidos na avaliação offline foram conseguidos com uma base de dados equilibrado entre gestos e não gestos. Para a segmentação os resultados apresentaram um erro de (3.7%) com recurso ao classificador ensemble Gentleboost. Para a classificação os resultados mostram um erro na ordem de (0.9%) e foi obtido com recurso a um classificador K-nn Spearman com 1 vizinho mais próximo e 7 features implementadas. A implementação online começa a ser explorada e é rapidamente apresentada, com erro de 15% na segmentação e 35% na classificação. (((A segmentação de dados de gestos tem sido estudada nos últimos anos, por exemplo (Simão et al. 2017) abordou esse problema com o uso de uma Cyber Data Glove para detectar os gestos de mão e braço do usuário. No entanto, este método tem as desvantagens de ser caro e não prático. Além disso, em (Lopes, João 2016) este problema é abordado usando uma braçadeira MYO que usa sensores EMG combinados com unidade de movimento inercial (IMU). Esta pulseira tinha a vantagem de ser acessível, mas nem sempre era a mais confiável em termos de dados, apresentando algum erro usando os sensores juntos ou separadamente.)))This work has as its main objective the segmentation and classification of gestures through the data collected from surface electromyography (sEMG) sensors. The performance of the sensors is evaluated through the collection of data to create an offline dataset. The implementation of different features and their threshold values is studied both for the segmentation and classification of gestures. The best offline results were obtained using a balanced dataset and for a library of 7 gesture patterns. For segmentation, the result showed an error of 3.7% using a Gentle boost ensemble classifier. For classification, the results showed an error of around 0.9% and were obtained for a K - Nearest Neighbors (K-NN) Spearman classifier with one nearest neighbor and seven implemented features. The online implementation is briefly presented with the error for segmentation of 15% and an error for classification of 35%. (((The segmentation of gesture data has been studied in the last few years, for example (Simão et al. 2017) addressed this problem with the use of a Cyber Data Glove to detect the hand and arm gestures of the user. However, this method has the drawbacks of being expensive and not practical. Also, in (Lopes, João 2016) this problem is addressed using a MYO Armband that uses EMG sensors combined with inertial movement unit (IMU). This bracelet had the advantage of being affordable, but it was not always the most reliable in terms of data, presenting some error using both the sensors together or separately.)))2018-07-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/86014https://hdl.handle.net/10316/86014TID:202203832engSilva, João Ricardo Ferreira dos Santosinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2021-05-25T08:24:28Zoai:estudogeral.uc.pt:10316/86014Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T05:33:22.867745Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Classification of gestures with EMG
Classificação de gestos a partir de dados EMG
title Classification of gestures with EMG
spellingShingle Classification of gestures with EMG
Silva, João Ricardo Ferreira dos Santos
EMG
Features
Segmentação
Classificação
EMG
Features
Segmentation
Classification
title_short Classification of gestures with EMG
title_full Classification of gestures with EMG
title_fullStr Classification of gestures with EMG
title_full_unstemmed Classification of gestures with EMG
title_sort Classification of gestures with EMG
author Silva, João Ricardo Ferreira dos Santos
author_facet Silva, João Ricardo Ferreira dos Santos
author_role author
dc.contributor.author.fl_str_mv Silva, João Ricardo Ferreira dos Santos
dc.subject.por.fl_str_mv EMG
Features
Segmentação
Classificação
EMG
Features
Segmentation
Classification
topic EMG
Features
Segmentação
Classificação
EMG
Features
Segmentation
Classification
description Dissertação de Mestrado Integrado em Engenharia Mecânica apresentada à Faculdade de Ciências e Tecnologia
publishDate 2018
dc.date.none.fl_str_mv 2018-07-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/86014
https://hdl.handle.net/10316/86014
TID:202203832
url https://hdl.handle.net/10316/86014
identifier_str_mv TID:202203832
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602393566085120

Similar Items